ホーム > 特許ランキング > Ｇｏｏｇｌｅ ＬＬＣ
知財求人 - 知財ポータルサイト「IP Force」
特表2024-526181チャネル状態フィードバックにニューラルネットワークを使用した無線ネットワーク
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-07-17
(54)【発明の名称】チャネル状態フィードバックにニューラルネットワークを使用した無線ネットワーク
(51)【国際特許分類】
H04B 7/0417 20170101AFI20240709BHJP
【ＦＩ】
H04B7/0417
【審査請求】有
【予備審査請求】有
(21)【出願番号】P 2023579197
(86)(22)【出願日】2022-06-17
(85)【翻訳文提出日】2024-01-19
(86)【国際出願番号】 US2022034060
(87)【国際公開番号】W WO2022271564
(87)【国際公開日】2022-12-29
(31)【優先権主張番号】63/214,931
(32)【優先日】2021-06-25
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】502208397
【氏名又は名称】グーグル エルエルシー
【氏名又は名称原語表記】Ｇｏｏｇｌｅ ＬＬＣ
【住所又は居所原語表記】１６００ Ａｍｐｈｉｔｈｅａｔｒｅ Ｐａｒｋｗａｙ ９４０４３ Ｍｏｕｎｔａｉｎ Ｖｉｅｗ， ＣＡ Ｕ．Ｓ．Ａ．
(74)【代理人】
【識別番号】110001195
【氏名又は名称】弁理士法人深見特許事務所
(72)【発明者】
【氏名】ワン，ジビン
(72)【発明者】
【氏名】シュタウファー，エリック・リチャード
(57)【要約】
無線システム（１００）は、ニューラルネットワーク（１２２、１２８）を使用して、送信装置（１０８）と受信装置（１１０）との間のＣＳＩ推定値フィードバックを提供する。管理コンポーネント（１４０）は、能力情報（１４６、１４８）に基づいて、送信装置および受信装置で実装するためのニューラルネットワークアーキテクチャ構成（１４４）を選択する。受信装置は、送信装置からのＣＳＩパイロット信号伝達からＣＳＩ推定値（１３４）を決定する。ＣＳＩ推定値は、受信装置のニューラルネットワークによって処理されて、ＣＳＦ出力（１３６）が生成される、これは、例えば、１つまたは複数の予測将来のＣＳＩ推定値を表すことができ、送信装置に無線で送信される。次いで、送信装置の１つまたは複数のニューラルネットワークは、受信したＣＳＦ出力を処理して、１つまたは複数の復元される将来の予測ＣＳＩ推定値（１３８）を生成し、その後、送信装置での１つまたは複数のＭＩＭＯプロセスを制御するために使用される。
【特許請求の範囲】
【請求項1】
第１の装置におけるコンピュータが実装する方法であって、前記第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、
前記第１の装置の送信ニューラルネットワークに前記ニューラルネットワークアーキテクチャ構成を実装するステップと、
チャネル状態情報（ＣＳＩ）推定値の表現を前記送信ニューラルネットワークへの入力として受信するステップと、
前記送信ニューラルネットワークにおいて、前記ＣＳＩ推定値の前記表現に基づいて第１の出力を生成するステップと、を含み、前記第１の出力は、将来の時点に対する前記ＣＳＩ推定値の予測の前記表現の圧縮バージョンを表し、および
前記第１の装置の無線周波数（ＲＦ）アンテナインターフェースを制御して、第２の装置による受信のために前記第１の出力を表す第１のＲＦ信号を送信するステップを含む、コンピュータが実装する方法。
【請求項2】
請求項１に記載の方法であって、前記第２の装置から受信した１つまたは複数のＲＦ信号に基づいて前記ＣＳＩ推定値をアルゴリズム的に決定するステップをさらに含む、方法。
【請求項3】
前記第１の出力を生成するステップは、前記送信ニューラルネットワークへの入力として提供される前記第２の装置の多入力多出力（ＭＩＭＯ）プロセスのスケジューリング待ち時間の表現にさらに基づいて、前記送信ニューラルネットワークで前記第１の出力を生成するステップをさらに含む、請求項１に記載の方法。
【請求項4】
前記ニューラルネットワークアーキテクチャ構成は、前記スケジューリング待ち時間に基づいて、複数の候補ニューラルネットワークアーキテクチャ構成から前記送信ニューラルネットワーク用に選択される、請求項３に記載の方法。
【請求項5】
前記第１の出力を生成するステップは、前記第１の装置の１つまたは複数のセンサから前記送信ニューラルネットワークに入力されるセンサデータにさらに基づいて、前記送信ニューラルネットワークで前記第１の出力を生成するステップを含む、請求項１～請求項４のいずれかに記載の方法。
【請求項6】
前記第１の装置の受信ニューラルネットワークの入力としてＣＳＩパイロット信号の表現を受信するステップと、および前記受信ニューラルネットワークにおいて、前記ＣＳＩパイロット信号の前記表現に基づいて第２の出力を生成するステップと、をさらに含み、前記第２の出力は前記ＣＳＩ推定値の前記表現を含む、請求項１～請求項５のいずれかに記載の方法。
【請求項7】
前記第２の出力を生成するステップは、前記第１の装置の１つまたは複数のセンサからのセンサデータ、または前記ＣＳＩ推定値に関連付けられるチャネルの搬送波周波数のうちの少なくとも１つに基づいて、前記受信ニューラルネットワークで前記第２の出力を生成するステップをさらに含む、請求項６に記載の方法。
【請求項8】
第１の装置におけるコンピュータが実装する方法であって、前記第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、
前記第１の装置の受信ニューラルネットワークに前記ニューラルネットワークアーキテクチャ構成を実装するステップと、
前記第１の装置の無線周波数（ＲＦ）アンテナインターフェースで、第２の装置から、予測将来のチャネル状態情報（ＣＳＩ）推定値の圧縮表現を表す第１のＲＦ信号を受信するステップと、
前記第１のＲＦ信号の表現を前記受信ニューラルネットワークへの入力として提供するステップと、
前記受信ニューラルネットワークで、前記受信ニューラルネットワークへの前記入力に基づいて前記予測将来のＣＳＩ推定値を生成するステップと、および
前記予測将来のＣＳＩ推定値に基づいて、前記第１の装置で少なくとも１つの多入力多出力（ＭＩＭＯ）プロセスを管理するステップと、を含む、コンピュータが実装する方法。
【請求項9】
前記予測将来のＣＳＩ推定値を生成するステップは、さらに、前記受信ニューラルネットワークへの入力として提供される前記第１の装置の多入力多出力（ＭＩＭＯ）プロセスのスケジューリング待ち時間の表現にさらに基づいて、前記受信ニューラルネットワークで前記予測将来のＣＳＩ推定値を生成するステップを含む、請求項８に記載の方法。
【請求項10】
前記ニューラルネットワークアーキテクチャ構成は、前記スケジューリング待ち時間に基づいて、複数の候補ニューラルネットワークアーキテクチャ構成から前記受信ニューラルネットワークについて選択される、請求項９に記載の方法。
【請求項11】
前記予測将来のＣＳＩ推定値を生成するステップは、前記第１の装置の１つまたは複数のセンサから前記受信ニューラルネットワークに入力されるセンサデータにさらに基づいて、前記受信ニューラルネットワークで前記予測将来のＣＳＩ推定値を生成するステップを含む、請求項８～請求項１０のいずれかに記載の方法。
【請求項12】
前記ニューラルネットワークアーキテクチャ構成は、前記第１の装置の前記少なくとも１つの能力、または前記第１の装置の現在の信号伝播環境のうちの少なくとも１つに基づいて、複数のニューラルネットワークアーキテクチャ構成から選択される、請求項１～請求項１０のいずれかに記載の方法。
【請求項13】
前記ニューラルネットワークアーキテクチャ構成の前記指示を受信するステップは、前記第１の装置にローカルに記憶される複数の候補ニューラルネットワークアーキテクチャ構成のうちの１つに関連付けられる識別子を受信するステップと、または
前記ニューラルネットワークアーキテクチャ構成のパラメータを表す１つまたは複数のデータ構造を受信するステップとのうちの少なくとも１つを含む、請求項１～請求項１０のいずれかに記載の方法。
【請求項14】
前記第１の装置の送信ニューラルネットワークでＣＳＩパイロット信号を生成するステップと、および前記第１の装置の前記ＲＦアンテナインターフェースを制御して、前記第２の装置による受信のために前記ＣＳＩパイロット信号を表す第２のＲＦ信号を送信するステップをさらに含む、請求項８～請求項１３のいずれかに記載の方法。
【請求項15】
前記ＣＳＩパイロット信号を生成するステップは、前記ＣＳＩ推定値に関連するチャネルの搬送波周波数、前記第１の装置の前記ＲＦアンテナインターフェースの少なくとも１つの動作パラメータ、または、前記第１の装置の１つまたは複数のセンサからのセンサデータ、または、前記ＣＳＩ推定値に関連付けられるチャネルの搬送波周波数のうちの少なくとも１つにさらに基づいて前記送信ニューラルネットワークで前記ＣＳＩパイロット信号を生成するステップを含む、請求項１４に記載の方法。
【請求項16】
前記予測将来のＣＳＩ推定値を生成するステップは、前記送信ニューラルネットワークにおいて、前記第１の装置の１つまたは複数のセンサからのセンサデータ、または前記予測将来のＣＳＩ推定値に関連するチャネルの搬送波周波数の少なくとも１つに基づいて予測将来のＣＳＩ推定値を生成するステップをさらに含む、請求項８～請求項１５のいずれかに記載の方法。
【請求項17】
前記少なくとも１つのＭＩＭＯプロセスは、ビームフォーミングプロセス、時空符号化プロセス、またはマルチユーザＭＩＭＯプロセスの少なくとも一つを含む、請求項８～請求項１６のいずれかに記載の方法。
【請求項18】
前記少なくとも１つの能力は、処理能力、電力能力、またはセンサ能力の少なくとも一つを含む、請求項１～請求項１７のいずれかに記載の方法。
【請求項19】
無線周波数（ＲＦ）アンテナインターフェースと、前記ＲＦアンテナインターフェースに結合される少なくとも１つのプロセッサと、および
実行可能命令を記憶するメモリと、を含み、前記実行可能命令は、前記少なくとも１つのプロセッサを操作して、請求項１～請求項１８のいずれかに記載の方法を実行するように構成される、装置。
【発明の詳細な説明】
【背景技術】
【0001】
背景
無線通信システムは、多くの場合、パス損失、散乱、信号回折、透過損失などの、周波数に依存するいくつかの信号伝播の課題に遭遇する。高周波に依存する多くの無線送信方式であり、このようなシステムは、第３世代パートナーシップ（３ＧＰＰ（登録商標））ロングタームエボリューション（ＬＴＥ）および第５世代新無線（５Ｇ ＮＲ）セルラー規格、または特定の国際電子電気技術者（ＩＥＥＥ）８０２．１１無線ローカルエリアネットワーク（ＷＬＡＮ）規格に準拠しており、このような信号伝播の課題を軽減するために、さまざまな多入力多出力（ＭＩＭＯ）技術を使用している。
無線通信システムは、多くの場合、パス損失、散乱、信号回折、透過損失などの、周波数に依存するいくつかの信号伝播の課題に遭遇する。高周波に依存する多くの無線送信方式であり、このようなシステムは、第３世代パートナーシップ（３ＧＰＰ（登録商標））ロングタームエボリューション（ＬＴＥ）および第５世代新無線（５Ｇ ＮＲ）セルラー規格、または特定の国際電子電気技術者（ＩＥＥＥ）８０２．１１無線ローカルエリアネットワーク（ＷＬＡＮ）規格に準拠しており、このような信号伝播の課題を軽減するために、さまざまな多入力多出力（ＭＩＭＯ）技術を使用している。
【0002】
ビームフォーミング技術、時空間符号化技術、およびマルチユーザＭＩＭＯ（ＭＵ－ＭＩＭＯ）技術などの多くのＭＩＭＯ技術は、現在の信号伝播環境において、識別されるチャネルの１つまたは複数の対応する搬送波周波数で無線信号がどのように伝播するかを理解または特性評価することに依存し、または少なくとも、それらから利益を得る。通常、このチャネル推定値はチャネル状態情報（ＣＳＩ）として提供される。ＣＳＩは多くの場合、１つまたは複数の行列の形式をとり、各行列エントリには、対応する搬送波周波数の伝達関数、より具体的にはチャネル周波数応答（ＣＦＲ）を表す情報が記憶される。チャネルのＣＳＩを決定するために、送信装置は、ＩＥＥＥ８０２．１１ベースのシステムのロングトレーニングシンボル（ＬＴＦ）などの１つまたは複数のＣＳＩパイロットシンボルを受信装置に無線で送信し、次に、送信されるＣＳＩパイロットシンボルの受信形式を使用して、１つまたは複数のＣＳＩパイロットシンボルを送信するために使用される対応する搬送周波数についての少なくとも１つのＣＳＩ推定値を計算する。受信装置は、ＣＳＩ推定値を利用して、特定のチャネルのＭＩＭＯ受信プロセスを管理できる。このＣＳＩ推定値は、送信装置に無線で提供され、送信装置がそれに応じて１つまたは複数のＭＩＭＯ送信プロセスを管理できるようにすることができる（このフィードバックプロセスは通常、「チャネル状態フィードバック」（ＣＳＦ）と呼ばれる）。
【0003】
パイロットシンボルを送信し、受信したパイロットシンボルからＣＳＩ推定値を計算し、ＣＳＩ推定値を送信装置に報告するプロセス全体は、通常、アルゴリズム、このプロセスの各ステップまたは段階が１人または複数の設計者によって個別に「手作り」されるモジュール式アプローチを介して実装される。各ステップの相対的な複雑さは、通常、プロセスのハード符号化される実装の設計、テスト、実装における相応の複雑さにつながる。さらに、受信装置でのＣＳＩ推定値の複雑なアルゴリズム計算は受信装置のリソースを大量に消費し得、一方、ＣＳＩ推定値を一般的な形式で頻繁に無線送信すると、受信装置を送信装置に接続するチャネルの帯域幅を大量に消費し得る。したがって、状況の変化に高度に適応し、送信待ち時間の短縮とリソース消費の削減に向けて効率性の高い、堅牢なチャネル推定値プロセスを設計して実装することは困難な場合がある。
【発明の概要】
【0004】
実施形態の概要
いくつかの実施形態によれば、第１の装置におけるコンピュータが実装する方法は、第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、第１の装置の送信ニューラルネットワークにニューラルネットワークアーキテクチャ構成を実装するステップと、チャネル状態情報（ＣＳＩ）推定値の表現を送信ニューラルネットワークへの入力として受信するステップと、送信ニューラルネットワークにおいて、ＣＳＩ推定値の表現に基づいて第１の出力を生成するステップであって、第１の出力は、将来の時点に対するＣＳＩ推定値の予測の表現の圧縮バージョンを表す、ステップと、第１の装置の無線周波数（ＲＦ）アンテナインターフェースを制御して、第２の装置による受信のために第１の出力を表す第１のＲＦ信号を送信するステップと、を含む。
いくつかの実施形態によれば、第１の装置におけるコンピュータが実装する方法は、第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、第１の装置の送信ニューラルネットワークにニューラルネットワークアーキテクチャ構成を実装するステップと、チャネル状態情報（ＣＳＩ）推定値の表現を送信ニューラルネットワークへの入力として受信するステップと、送信ニューラルネットワークにおいて、ＣＳＩ推定値の表現に基づいて第１の出力を生成するステップであって、第１の出力は、将来の時点に対するＣＳＩ推定値の予測の表現の圧縮バージョンを表す、ステップと、第１の装置の無線周波数（ＲＦ）アンテナインターフェースを制御して、第２の装置による受信のために第１の出力を表す第１のＲＦ信号を送信するステップと、を含む。
【0005】
さまざまな実施形態において、この方法はさらに、以下の態様のうちの１つまたは複数を含むことができる。この方法はさらに、第２の装置から受信した１つまたは複数のＲＦ信号に基づいてＣＳＩ推定値をアルゴリズム的に決定するステップを含む。第１の出力は、将来の時点のＣＳＩ推定値の予測（つまり、予測将来のＣＳＩ推定値）をさらに表す。第１の出力を生成するステップは、送信ニューラルネットワークへの入力として提供される第２の装置の多入力多出力（ＭＩＭＯ）プロセスのスケジューリング待ち時間の表現にさらに基づいて、送信ニューラルネットワークで第１の出力を生成するステップをさらに含む。送信ニューラルネットワークは、スケジューリング待ち時間の表現を入力として受信する。ニューラルネットワークアーキテクチャ構成は、スケジューリング待ち時間に基づいて、複数の候補ニューラルネットワークアーキテクチャ構成から送信ニューラルネットワーク用に選択される。能力情報によって表される少なくとも１つの能力には、アンテナ能力、処理能力、電力能力、またはセンサ能力のうちの少なくとも１つが含まれる。ニューラルネットワークアーキテクチャ構成は、以下の少なくとも１つに基づいて、複数のニューラルネットワークアーキテクチャ構成から選択される。第１の装置の少なくとも１つの能力、第２の装置の少なくとも１つの能力、ＣＳＩ推定値によって表されるチャネルの周波数または帯域、または第１の装置の現在の信号伝播環境。第１の装置にローカルに記憶される複数の候補ニューラルネットワークアーキテクチャ構成のうちの１つに関連付けられる識別子を受信するステップと、または、ニューラルネットワークのアーキテクチャ構成のパラメータを表すデータを受信するステップとのうちの少なくとも１つを含むニューラルネットワークアーキテクチャ構成の指示を受信する。第１の出力を生成するステップは、送信ニューラルネットワークにおいて以下の少なくとも１つにさらに基づいて第１の出力を生成するステップを含む。第１の装置の１つまたは複数のセンサから送信ニューラルネットワークに入力されるセンサデータ、または、ＲＦアンテナインターフェースの少なくとも１つの現在の動作パラメータ。この方法は、送信ニューラルネットワークの送信ニューラルネットワークアーキテクチャ構成と、第２の装置の受信ニューラルネットワークの受信ニューラルネットワークアーキテクチャ構成との共同トレーニングに参加するステップをさらに含む。この方法はまた、ＣＳＩパイロット信号の表現を第１の装置の受信ニューラルネットワークの入力として受信するステップと、受信ニューラルネットワークにおいて、ＣＳＩパイロット信号の表現に基づいて第２の出力を生成するステップであって、第２の出力はＣＳＩ推定値の表現を含む、ステップと、を含む。第２の出力を生成するステップは、以下のうちの少なくとも１つに基づいて受信ニューラルネットワークで第２の出力を生成するステップをさらに含む。第１の装置の１つまたは複数のセンサからのセンサデータ、ＣＳＩ推定値に関連するチャネルの搬送波周波数、または、第１の装置のアンテナインターフェースの動作パラメータ。送信ニューラルネットワークはディープニューラルネットワーク（ＤＮＮ）である。
【0006】
いくつかの実施形態によれば、第１の装置におけるコンピュータが実装する方法は、第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、第１の装置の受信ニューラルネットワークにニューラルネットワークアーキテクチャ構成を実装するステップと、第１の装置の無線周波数（ＲＦ）アンテナインターフェースで、第２の装置から、予測将来のチャネル状態情報（ＣＳＩ）推定値の圧縮表現を表す第１のＲＦ信号を受信するステップと、第１のＲＦ信号の表現を受信ニューラルネットワークへの入力として提供するステップと、受信ニューラルネットワークで、受信ニューラルネットワークへの入力に基づいて予測将来のＣＳＩ推定値を生成するステップと、予測将来のＣＳＩ推定値に基づいて、第１の装置で少なくとも１つの多入力多出力（ＭＩＭＯ）プロセスを管理するステップと、を含む。
【0007】
さまざまな実施形態において、この方法はさらに、以下の態様のうちの１つまたは複数を含むことができる。ニューラルネットワークアーキテクチャ構成は、以下の少なくとも１つに基づいて、複数のニューラルネットワークアーキテクチャ構成から選択される。第１の装置の少なくとも１つの能力、第２の装置の少なくとも１つの能力、予測将来のＣＳＩ推定値によって表されるチャネルの周波数または帯域、または第１の装置の現在の信号伝播環境。第１の装置にローカルに記憶される複数の候補ニューラルネットワークアーキテクチャ構成のうちの１つに関連付けられる識別子を受信するステップと、または、ニューラルネットワークのアーキテクチャ構成のパラメータを表す１つまたは複数のデータ構造を受信するステップとのうちの少なくとも１つを含むニューラルネットワークアーキテクチャ構成の指示を受信する。予測将来のＣＳＩ推定値を生成するステップは、受信ニューラルネットワークにおいて、さらに以下の少なくとも１つに基づいて予測将来のＣＳＩ推定値を生成するステップを含む。第１の装置の１つまたは複数のセンサから受信ニューラルネットワークに入力されるセンサデータ、またはＲＦアンテナインターフェースの現在の動作パラメータ。この方法はさらに、受信ニューラルネットワークのニューラルネットワークアーキテクチャ構成と、第２の装置の送信ニューラルネットワークのニューラルネットワークアーキテクチャ構成との共同トレーニングに参加するステップを含む。この方法はまた、第１の装置の送信ニューラルネットワークでＣＳＩパイロット信号を生成するステップと、第１の装置のＲＦアンテナインターフェースを制御して、第２の装置による受信のためにＣＳＩパイロット信号を表す第２のＲＦ信号を送信するステップと、を含む。ＣＳＩパイロット信号を生成するステップは、さらに以下のうちの少なくとも１つに基づいて、送信ニューラルネットワークにおいてＣＳＩパイロット信号を生成するステップを含む。予測将来のＣＳＩ推定値に関連するチャネルの搬送波周波数、または、第１の装置のＲＦアンテナインターフェースの少なくとも１つの動作パラメータ。ＣＳＩパイロット信号を生成するステップは、以下のうちの少なくとも１つに基づいて送信ニューラルネットワークでＣＳＩパイロット信号を生成するステップをさらに含む。第１の装置の１つまたは複数のセンサからのセンサデータ、予測将来のＣＳＩ推定値に関連するチャネルの搬送波周波数、または、第１の装置のアンテナインターフェースの少なくとも１つの動作パラメータ。予測将来のＣＳＩ推定値を生成するステップは、送信ニューラルネットワークにおいて、以下の少なくとも１つに基づいて予測将来のＣＳＩ推定値を生成するステップをさらに含む。第１の装置の１つまたは複数のセンサからのセンサデータ、予測将来のＣＳＩ推定値に関連するチャネルの搬送波周波数、または、第１の装置のＲＦアンテナインターフェースの少なくとも１つの動作パラメータ。少なくとも１つのＭＩＭＯプロセスは、ビームフォーミングプロセス、時空符号化プロセス、およびマルチユーザＭＩＭＯプロセスのうちの少なくとも１つを含む。少なくとも１つの能力には、アンテナ能力、処理能力、電力能力、またはセンサ能力のうちの少なくとも１つが含まれる。受信ニューラルネットワークにはディープニューラルネットワーク（ＤＮＮ）が含まれる。
【0008】
いくつかの実施形態によれば、コンピュータが実装する方法は、第１の装置または第２の装置のうちの少なくとも１つから能力情報を受信するステップであって、能力情報は、第１の装置または第２の装置のうちの対応する１つの装置の少なくとも１つの能力を表す、ステップと、能力情報に基づいて、セットの候補ニューラルネットワークアーキテクチャ構成から一対のニューラルネットワークアーキテクチャ構成を選択するステップであって、一対のニューラルネットワークアーキテクチャ構成は、第１の装置と第２の装置との間のチャネル状態情報（ＣＳＩ）推定フィードバックプロセスを実装するために共同でトレーニングされる、ステップと、第１の装置の送信ニューラルネットワークでの実装のために、一対の第１のニューラルネットワークアーキテクチャ構成の第１の指示を第１の装置に送信するステップと、第２の装置の受信ニューラルネットワークでの実装のために、一対の第２のニューラルネットワークアーキテクチャ構成の第２の指示を第２の装置に送信するステップと、を含む。さまざまな実施形態において、この方法はさらに、以下の態様のうちの１つまたは複数を含むことができる。少なくとも１つの能力には、アンテナ能力、処理能力、電力能力、またはセンサ能力のうちの少なくとも１つが含まれる。送信ニューラルネットワークおよび受信ニューラルネットワークは、各々ディープニューラルネットワーク（ＤＮＮ）を含む。
【0009】
いくつかの実施形態では、装置は以下を含む。ネットワークインターフェースと、ネットワークインターフェースに結合される少なくとも１つのプロセッサと、実行可能命令は、少なくとも１つのプロセッサを操作して上記および本明細書に記載の方法のいずれかを実行するように構成されている、実行可能命令を記憶するメモリとを含む。
【0010】
添付の図面を参照することによって、本開示はよりよく理解され、その多くの特徴および利点が当業者に明らかになる。異なる図面での同じ参照符号の使用は、類似または同一の項目を示す。
【図面の簡単な説明】
【0011】
【図1】いくつかの実施形態による、無線チャネルを特徴付けるためにチャネル状態フィードバック（ＣＳＦ）ニューラルネットワーク方式を使用する例示的な無線システムを示す図である。
【図5】いくつかの実施形態による、ＣＳＦニューラルネットワーク方式で使用するためのニューラルネットワークを使用する機械学習（ＭＬ）モジュールを示す図である。
【図6】いくつかの実施形態による、ＵＥとＢＳとの間のＣＳＩ推定値の処理および送信のための共同トレーニングされる一対のニューラルネットワークを示す図である。
【図7】いくつかの実施形態による、無線システムにおいてＣＳＦを容易にするためのニューラルネットワークのセットの共同トレーニングのための例示的な方法を示す流れ図である。
【図8】いくつかの実施形態による、選択され共同トレーニングされるニューラルネットワークのセットを使用する、ＣＳＩ推定値のフィードバックのための例示的な方法を示す流れ図である。
【図10】いくつかの実施形態による、ＣＳＩパイロット信号伝達、ＣＳＩ推定値、およびＣＳＩ推定値のフィードバックの送信のための共同トレーニングされるニューラルネットワークの選択されるセットを示す図である。
【図11】いくつかの実施形態による、ニューラルネットワークを使用してＣＳＩ推定値を決定し、ＣＳＩ推定値をフィードバックする例示的な方法を示すフロー図である。
【発明を実施するための形態】
【0012】
詳細な説明
チャネル状態フィードバック（ＣＳＦ）は、ビームフォーミングまたは時空間符号化などのさまざまなＭＩＭＯプロセスを容易にする。少なくとも１つの実施形態において、受信装置でＣＳＩを効率的に推定し、ＣＳＩ推定値をＣＳＦとして送信装置に提供するために、送信装置と受信装置は共同でトレーニングされるニューラルネットワークを使用して、パイロット送信プロセス、ＣＳＩ推定値プロセス、またはＣＳＩフィードバックプロセスのうちの１つまたは複数を実装する。これにより、一連のＣＳＦステージ用に特別に設計およびテストすることなく、事実上、従来のＣＳＦステージのシーケンスと同等の処理を提供するようにトレーニングされるセットのニューラルネットワークが得られる。説明するために、いくつかの実施形態では、ＣＳＩパイロット送信プロセスおよびＣＳＩ推定値プロセスはアルゴリズムアプローチを使用して実行されるが、ＣＳＩ推定値を送信装置に返すプロセスは、共同でトレーニングされるニューラルネットワークのセットの使用に依存し、事実上、現在の無線チャネル状態を考慮してＣＳＩ推定値を効率的に量子化または圧縮する方法で、受信装置から送信装置への無線周波数（ＲＦ）送信のＣＳＩ推定値を処理するように動作する受信装置の送信（ＴＸ）ニューラルネットワークと、送信装置での１つまたは複数のＭＩＭＯ管理プロセスで使用するために、ＣＳＩ推定値またはその表現を復元するために、ＴＸニューラルネットワークから無線で受信した出力を受信および処理するように動作する送信装置の受信（ＲＸ）ニューラルネットワークと、を含む。
チャネル状態フィードバック（ＣＳＦ）は、ビームフォーミングまたは時空間符号化などのさまざまなＭＩＭＯプロセスを容易にする。少なくとも１つの実施形態において、受信装置でＣＳＩを効率的に推定し、ＣＳＩ推定値をＣＳＦとして送信装置に提供するために、送信装置と受信装置は共同でトレーニングされるニューラルネットワークを使用して、パイロット送信プロセス、ＣＳＩ推定値プロセス、またはＣＳＩフィードバックプロセスのうちの１つまたは複数を実装する。これにより、一連のＣＳＦステージ用に特別に設計およびテストすることなく、事実上、従来のＣＳＦステージのシーケンスと同等の処理を提供するようにトレーニングされるセットのニューラルネットワークが得られる。説明するために、いくつかの実施形態では、ＣＳＩパイロット送信プロセスおよびＣＳＩ推定値プロセスはアルゴリズムアプローチを使用して実行されるが、ＣＳＩ推定値を送信装置に返すプロセスは、共同でトレーニングされるニューラルネットワークのセットの使用に依存し、事実上、現在の無線チャネル状態を考慮してＣＳＩ推定値を効率的に量子化または圧縮する方法で、受信装置から送信装置への無線周波数（ＲＦ）送信のＣＳＩ推定値を処理するように動作する受信装置の送信（ＴＸ）ニューラルネットワークと、送信装置での１つまたは複数のＭＩＭＯ管理プロセスで使用するために、ＣＳＩ推定値またはその表現を復元するために、ＴＸニューラルネットワークから無線で受信した出力を受信および処理するように動作する送信装置の受信（ＲＸ）ニューラルネットワークと、を含む。
【0013】
別の実施形態では、パイロット送信、ＣＳＩ推定値、およびフィードバック段階の各々にニューラルネットワークが使用される。このアプローチでは、送信装置は、受信装置に無線で送信されるＣＳＩパイロット出力を生成するように動作するＴＸニューラルネットワークを使用し、次に、ＲＸニューラルネットワークを使用してＣＳＩパイロットを入力として受信し、ＣＳＩ推定値を表す対応するＣＳＩ出力を生成する。受信装置はさらに、ＴＸニューラルネットワークを使用してＣＳＩ推定値を受信し、ＣＳＩ推定値の量子化または圧縮されるバージョンを表すＣＳＦ出力を生成する。受信装置は、このＣＳＦ出力を送信装置に送信する。そこでＲＸニューラルネットワークがＣＳＦ出力を受信して処理し、送信装置が送信装置で１つまたは複数のＭＩＭＯプロセスを管理する際に利用できる対応するＣＳＩ推定値を生成する。
【0014】
どちらのアプローチでも、無線システムは、さまざまなパラメータのいずれかに基づいて、送信装置と受信装置の間で使用されるさまざまなニューラルネットワークの複数の候補ニューラルネットワークアーキテクチャ構成の共同トレーニングを使用でき、例えば、使用されている特定の搬送波周波数またはチャネル、信号フォーマットまたはプロトコル、伝播環境（例えば、さまざまなセンサからのセンサデータによって特徴付けられる）、コンピューティングリソース、センサリソース、電力リソース、アンテナリソース、およびその他の能力などである。したがって、送信装置および受信装置の各々で使用される特定のニューラルネットワーク構成は、これらの装置の特定の構成と、対応するニューラルネットワークアーキテクチャ構成をトレーニングするために使用されるパラメータとの間の相関に基づいて選択され得る。
【0015】
これらの技術およびその他の技術は、「送信装置」および「受信装置」を参照して以下に説明される。本明細書で使用される場合、「送信装置」は、対応するチャネルリンクの主送信機として機能する装置を指し、「受信装置」は、対応するチャネルリンクの主受信機として機能する装置を指す。しかし、これは、送信装置がチャネルを介してＲＦ信号も受信できないこと、または受信装置がチャネルを介してＲＦ信号も送信できないことを意味するものではない。例えば、ＣＳＦコンテキストでは、送信装置は何らかの形式のＣＳＩパイロット信号伝達を送信する装置であり、受信装置は、ＣＳＩパイロット信号伝達を受信し、チャネルのＣＳＩ信号伝達から何らかの形式のＣＳＩまたはＣＳＩ推定値を決定する装置である。しかし、この同じ受信装置は通常、決定されるＣＳＩの表現を同じチャネルまたは別のチャネルで送信装置に送り返し、この場合、受信装置はＣＳＩフィードバックを送信するための送信機として動作し、送信装置は送信されるＣＳＩフィードバックを受信するための受信機として動作する。さらに、装置は、あるチャネルでは送信装置として動作しながら、別のチャネルでは受信装置として動作し得ることを理解されたい。例えば、第１の装置と第２の装置との間の第１のチャネル（例えば、ダウンリンクチャネル）のチャネル特性評価のために、第１の装置は送信装置として動作し、第２の装置は受信装置として動作することができ、同時に、または別の時点で、第１の装置が受信装置として動作し得、第２の装置は、第１の装置と第２の装置との間の第２のチャネル（例えば、アップリンクチャネル）、または第２の装置と第３の装置との間の第２のチャネル（例えば、サイドリンクチャネル）のチャネル特性評価のための送信装置として動作することができる。
【0016】
図１は、いくつかの実施形態によるニューラルネットワーク促進チャネル状態フィードバックを使用する無線通信システム１００を示す。図示のように、無線通信システム１００は、１つまたは複数のワイドエリアネットワーク（ＷＡＮ）１０４またはインターネットなどの他のパケットデータネットワーク（ＰＤＮ）に接続されるコアネットワーク１０２を含むセルラーネットワークである。無線通信システム１００は、少なくとも１つの基地局（ＢＳ）１０８をさらに含み、各ＢＳ１０８は、１つまたは複数の通信プロトコルまたは規格で指定されている１つまたは複数の適用可能な無線アクセス技術（ＲＡＴ）を使用したＲＦ信号伝達を経由してＵＥ１１０などの１つまたは複数のＵＥとの無線通信をサポートする。したがって、ＢＳ１０８は、ＵＥ１１０、コアネットワーク１０２およびパケット交換（ＰＳ）データサービス、回線交換（ＣＳ）サービスなどの他のネットワークによって提供されるさまざまなネットワークおよびサービスなどとの間の無線インターフェースとして動作する。従来、ＢＳ１０８からＵＥ１１０へのデータまたは信号伝達の通信は「ダウンリンク」または「ＤＬ」と呼ばれ、一方、ＵＥ１１０からＢＳ１０８へのデータまたは信号伝達の通信は「アップリンク」または「ＵＬ」と呼ばれる。
【0017】
ＢＳ１０８はさまざまなＲＡＴのいずれかを使用でき、例えば、Ｕｎｉｖｅｒｓａｌ Ｍｏｂｉｌｅ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ（ＵＭＴＳ）ＲＡＴ（「３Ｇ」としても知られる）のＮｏｄｅＢ（またはｂａｓｅ ｔｒａｎｓｃｅｉｖｅｒ ｓｔａｔｉｏｎ（ＢＴＳ））として動作し、Ｔｈｉｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ（３ＧＰＰ） Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ（ＬＴＥ）ＲＡＴの拡張ＮｏｄｅＢ（ｅＮｏｄｅＢ）として動作し、３ＧＰＰ第５世代（５Ｇ）新無線（ＮＲ）ＲＡＴなどの５ＧノードＢ（「ｇＮＢ」）として動作する。ＵＥ１１０は、次に、適切なＲＡＴを介してＢＳ１０８と通信するように動作可能なさまざまな電子装置のいずれかを実装することができ、例えば、携帯電話、セルラー対応のタブレットコンピュータまたはラップトップコンピュータ、デスクトップコンピュータ、セルラー対応のビデオゲームシステム、サーバ、セルラー対応の機器、セルラー対応の自動車通信システム、セルラー対応のスマートウォッチやその他のウェアラブル装置などを含む。
【0018】
ＢＳ１０８とＵＥ１１０との間で形成されるエアインターフェースを介した情報の通信は、制御プレーン信号伝達とユーザデータプレーン信号伝達の両方を表すＲＦ信号の形式をとる。しかし、比較的高い周波数、比較的狭いタイミングマージン、送信装置と受信装置間の相対移動、建物、物体、その他の干渉物体の存在または移動、および近接した送信干渉源の１つまたは複数により、ＲＦ信号伝達を含むチャネルの伝播環境は頻繁に変化する。したがって、少なくとも１つの実施形態では、ＢＳ１０８およびＵＥ１１０は、送信機（ＴＸ）および受信機（ＲＸ）処理パスを実装し、ＣＳＩの推定値または受信装置から送信装置へのＣＳＩ推定値情報のフィードバックの一方または両方を容易にするようにトレーニングまたは構成される１つまたは複数のニューラルネットワーク（ＮＮ）を統合する。この確認とそれに関連するプロセスは、本明細書で説明されているように、ＵＥ１１０による受信のためにＢＳ１０８によって送信されるＲＦ信号伝達用のダウンリンクチャネル１１２、ＢＳ１０８による受信のためにＵＥ１１０によって送信されるＲＦ信号伝達用のアップリンクチャネル１１４、または各チャネル１１２、１１４に対して実装することができる。したがって、ダウンリンクチャネル１１２の場合、ＣＳＦの目的で、ＢＳ１０８は送信装置として機能し、ＵＥ１１０は受信装置として機能し、一方、アップリンクチャネル１１４の場合、ＣＳＦの目的で、ＵＥ１１０は送信装置として機能し、ＢＳ１０８は受信装置として機能する。
【0019】
ダウンリンクチャネル１１２のＣＳＦパス１１６に関して説明すると、ＵＥ１１０は、ＣＳＩ推定値コンポーネント１２０を有するＴＸ処理パス１１８と、ＵＥ１１０のＲＦフロントエンド１２４に結合される出力を有するＵＥ ＣＳＦ ＴＸ ＤＮＮ１２２（または他のニューラルネットワーク）を使用する。ＢＳ１０８は、ＢＳ１０８のＲＦフロントエンド１３０に結合される入力を有するＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８（または他のニューラルネットワーク）を有するＲＸ処理パス１２６、ＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８の出力に結合される入力を有するＭＩＭＯ管理コンポーネント１３２を使用する。
【0020】
動作中、ＢＳ１０８は、ＲＦフロントエンド１３０を介して、ＣＳＩパイロット信号（一般に「トレーニング信号」とも呼ばれる）を表すＲＦ信号（図示せず）を送信し、これらは、ＵＥ１１０のＲＦフロントエンド１２４によって受信され、ＣＳＩ推定値コンポーネント１２０によって処理されて、受信したＣＳＩパイロット信号によって表される各周波数または副搬送波について１つまたは複数のＣＳＩ推定値１３４を生成する。ＣＳＩ推定値コンポーネント１２０は、ＢＳ１０８によって送信される１つまたは複数のＣＳＩパイロット信号の対応するセットから少なくとも１つのＣＳＩ推定値１３４を生成するために、さまざまな周知の技術または独自の技術のいずれかを使用することができる。例えば、チャネルおよびノイズ分布が未知の場合、ＣＳＩ推定値コンポーネント１２０は、例えば、さまざまな最小二乗推定器のいずれかを使用してＣＳＩ推定値１３４を決定することができる。一方、チャネルおよびノイズ分布が既知である場合、ＣＳＩ推定値コンポーネント１２０は、例えば、さまざまなベイジアン推定技術のいずれかを使用して、ＣＳＩ推定値１３４を決定することができる。ＣＳＩ推定値１３４は、当技術分野で知られているさまざまな形式または表現のいずれかをとり得るが、参照を容易にするために、１つまたは複数の行列のセットとしてのＣＳＩ推定値１３４の実装であり、各行列は、対応する搬送周波数に対する対応する伝達形式を表す。しかし、ＣＳＩ推定値１３４はこの特定の実装に限定されず、さまざまな適切なＣＳＩ推定値形式のいずれかを表してもよいことが理解されるであろう。
【0021】
ＣＳＩ推定値１３４は、さまざまな任意の他の入力のいずれかとともに、ＵＥ ＣＳＦ ＴＸ ＤＮＮ１２２への入力として提供され、例えば、ＵＥ１１０の１つまたは複数のセンサによって観察される（および以下で説明するように）現在の伝播環境を示すセンサデータ入力などである。少なくとも１つの実施形態では、ＵＥ ＣＳＦ ＴＸ ＤＮＮ１２２は、ＢＳ１０８のＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８と一緒にトレーニングされ、したがって、ＣＳＩ推定値１３４（および他の入力）からＣＳＦ出力を生成し、これらは、ＢＳ１０８へのＲＦ送信およびＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８による処理に適している。この共同トレーニングまたは他の構成の一部として、ＵＥ ＣＳＦ ＴＸ ＤＮＮ１２２は、少なくとも１つの実施形態において、ＣＳＩ推定値１３４によって表されるデータまたは情報を事実上量子化または圧縮し、そうでない場合は、入力センサデータまたは他の入力を考慮して結果として得られる圧縮情報を処理して、ＢＳ１０８への無線送信のためにＲＦフロントエンド１２４に提供されるＣＳＦ出力１３６を生成するようにトレーニングまたは構成される。
【0022】
ＢＳ１０８において、ＲＦフロントエンド１３０は、受信したＲＦ信号伝達からＣＳＦ出力１３６を抽出し、ＣＳＦ出力１３６を入力としてＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８に提供する。ＢＳ１０８のセンサからのセンサデータなどの任意選択の他の入力も、ＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８への入力として同時に提供され得る。これらの入力から、および共同トレーニングまたは他の構成に基づいて、ＢＳ ＣＳＦ ＲＸ ＤＮＮ１２８は、本明細書では復元されるＣＳＩ推定値１３８と呼ばれる、ＣＳＩ推定値１３４の復元される表現を提供するように動作する。次いで、復元されるＣＳＩ推定値１３８は、ＭＩＭＯ管理コンポーネント１３２に提供され、ＭＩＭＯ管理コンポーネント１３２は、復元されるＣＳＩ推定値１３８を使用して、ＵＥ１１０とのダウンリンクチャネル１１２に対するＢＳ１０８の１つまたは複数のＭＩＭＯプロセスを制御し、例えば、少なくともＵＥ１１０へのＲＦ送信のためにＲＦフロントエンド１３０によって利用されるビームフォーミングプロセス、時空間符号化プロセス、またはマルチユーザＭＩＭＯプロセスのうちの１つまたは複数を制御することによる。
【0023】
図１は、ダウンリンクチャネル１１２のＣＳＦパス１１６を示すが、図示されるものと同様の構成は、アップリンクチャネル１１４にＣＳＦパスを提供するために利用することもでき、ＢＳ１０８は同様のＣＳＩ推定値コンポーネントおよびＣＳＦ ＴＸ ＤＮＮを使用し、ＵＥ１１０は同様のＣＳＦ ＲＸ ＤＮＮおよびＭＩＭＯ管理コンポーネントを使用することは評価されるだろう。しかし、説明を容易にするために、本開示のニューラルネットワークベースのＣＳＦ技術は、ＢＳからＵＥへのダウンリンクチャネルの例のコンテキストで説明される。しかし、これらの同じ技術は、ＵＥからＢＳへのアップリンクチャネル、または送信装置として動作する任意のＲＦ対応装置とＣＳＦ目的の受信装置として動作する別のＲＦ対応装置との間のアップリンクチャネルにも同様に適用できることが理解されるであろう。さらに、図１は、送信装置によるＣＳＩパイロット信号の生成および送信と、受信装置で受信されるＣＳＩパイロット信号に基づくＣＳＩのアルゴリズム推定が従来のアプローチを使用して実行され得る実装例を示す図である。他の実施形態では、これらのプロセスのうちの１つまたは複数は、図１０～図１２を参照して後述するように、共同トレーニングされるニューラルネットワークを使用して部分的または完全に実装されてもよい。
【0024】
上で述べ、本明細書でより詳細に説明したように、送信装置と受信装置の両方（例えば、ＣＳＦパス１１６の場合、それぞれＢＳ１０８とＵＥ１１０）は、ＣＳＦプロセス全体を容易にするために、コンテキスト固有のパラメータに基づいて共同でトレーニングおよび選択される１つまたは複数のＤＮＮまたは他のニューラルネットワークを使用する。これらのニューラルネットワークの共同トレーニング、選択、および維持を管理するために、少なくとも一実施形態では、システム１００はさらに、管理インフラストラクチャコンポーネント１４０（または簡潔にするために「管理コンポーネント１４０」）を含む。この管理コンポーネント１４０は、例えば、コアネットワーク１０２またはＷＡＮ１０４内など、無線通信システム１００のネットワークインフラストラクチャ１０６内のサーバまたは他のコンポーネントを含むことができる。さらに、図示の例では別個のコンポーネントとして示されているが、少なくともいくつかの実施形態では、ＢＳ１０８は管理コンポーネント１４０を実装する。管理コンポーネント１４０によって提供される監視機能には、例えば、ニューラルネットワークの共同トレーニングを監督するステップと、特定の能力または他のコンポーネント固有のパラメータに基づいて、送信装置または受信装置の１つまたは複数に対する特定のニューラルネットワークアーキテクチャ構成の選択を管理するステップと、ニューラルネットワーク構成の選択を目的とした能力更新を受信および処理するステップと、ニューラルネットワークのトレーニングまたは選択を目的としたフィードバックの受信および処理するステップとなどの一部またはすべてが含まれ得る。
【0025】
以下でさらに詳しく説明するが、いくつかの実施形態では、管理コンポーネント１４０は、候補ニューラルネットワークアーキテクチャ構成１４４のセット１４２を維持し、対応するニューラルネットワークを実装するコンポーネントの現在の能力、送信チェーン内の他のコンポーネントの現在の能力、またはそれらの組み合わせに少なくとも部分的に基づいて、対応するＣＳＦパス内の特定のコンポーネントで使用されるように選択され得る。これらの能力は、例えば、センサ能力、処理リソース能力、バッテリ／電源能力、ＲＦアンテナ能力、コンポーネントの１つまたは複数のアクセサリの能力、対応するチャネルを介して送信されるデータのタイプまたは性質などを含むことができる。ＢＳ１０８およびＵＥ１１０のこれらの能力を表す情報は、管理コンポーネント１４０によって取得され、それぞれＢＳ能力情報１４６およびＵＥ能力情報１４８として記憶される。管理コンポーネント１４０はさらに、チャネルの搬送波周波数、物体または他の干渉源の既知の存在など、環境の対応するチャネルまたは伝播チャネルのパラメータまたは他の態様を考慮することができる。チャネルまたは伝播環境の態様を表す情報は、管理コンポーネント１４０によって取得され、チャネル／伝播情報１５０として記憶される。
【0026】
このアプローチをサポートするために、いくつかの実施形態では、管理コンポーネント１４０は、異なる能力／コンテキストの組み合わせに対する候補ニューラルネットワークアーキテクチャ構成１４４の異なる組み合わせの共同トレーニングを管理することができる。次いで、管理コンポーネント１４０は、ＢＳ１０８から能力情報１４６、ＵＥ１１０から能力情報１４８、またはその両方を取得することができ、この能力情報から、管理コンポーネント１４０は、対応する指示される能力およびチャネル／伝播情報１５０に反映されるＲＦ信号伝達環境に少なくとも部分的に基づいて、各コンポーネントの候補ニューラルネットワークアーキテクチャ構成１４４のセット１４２からニューラルネットワークアーキテクチャ構成を選択する。いくつかの実施形態では、候補ニューラルネットワークアーキテクチャ構成は、一対のサブセットとして共同でトレーニングされ、ＢＳ１０８の特定の能力セットに対する各候補ニューラルネットワークアーキテクチャ構成が、ＵＥ１１０の特定の能力セットに対する単一の対応する候補ニューラルネットワークアーキテクチャ構成と共同でトレーニングされるようにする。他の実施形態では、候補ニューラルネットワークアーキテクチャ構成は、ＢＳ１０８の各候補構成がＵＥ１１０の複数の候補構成と１対多の対応を有し、またその逆となるようにトレーニングされる。
【0027】
したがって、システム１００は、特に互換性を考慮して設計されていない可能性がある独立して設計されたプロセスブロックではなく、ＣＳＩフィードバックのために、送信装置と受信装置との間で管理され、共同でトレーニングされ、選択的に使用されるニューラルネットワークのセットに依存するＣＳＦアプローチを利用する。これにより、柔軟性が向上するだけでなく、状況によっては、各装置でのより迅速な処理とより効率的なＲＦ送信が可能になるため、ＣＳＩ推定値の推定、通信、および実装における待ち時間が短縮される。これにより、次に、ＭＩＭＯプロセスのよりきめ細かく、よりタイムリーな制御が容易になり、送信装置と受信装置間の信号伝達がより効率的かつ効果的になる。
【0028】
図２は、いくつかの実施形態による、（代表的な受信装置としての）ＵＥ１１０のハードウェア構成例を示す。描かれたハードウェア構成は、本明細書で説明されるニューラルネットワークベースのプロセスに最も直接的に関連する処理コンポーネントおよび通信コンポーネントを表しており、ディスプレイ、非センサ周辺機器、外部電源など、そのような電子装置に頻繁に実装されることがよく理解されている特定のコンポーネントは省略されていることに留意されたい。
【0029】
図示の構成では、ＵＥ１１０は、１つまたは複数のアンテナ２０２を有するＲＦフロントエンド１２４と、１つまたは複数のＲＡＴをサポートする１つまたは複数のモデムを有するＲＦアンテナインターフェース２０４とを含む。ＲＦフロントエンド１２４は、事実上、さまざまなタイプの無線通信を容易にするために、ＵＥ１１０の１つまたは複数のプロセッサ２０６とアンテナ２０２との間の信号伝達を実行および処理する物理（ＰＨＹ）トランシーバインターフェースとして動作する。アンテナ２０２は、互いに同様または異なるように構成される複数のアンテナの１つまたは複数のアレイに配置することができ、対応するＲＡＴに関連付けられる１つまたは複数の周波数帯域に同調することができる。１つまたは複数のプロセッサ２０６は、例えば、１つまたは複数の中央処理装置（ＣＰＵ）、グラフィックス処理装置（ＧＰＵ）、テンソル処理装置（ＴＰＵ）、または他の特定用途向け集積回路（ＡＳＩＣ）などを含むことができる。説明するために、プロセッサ２０６は、動作システムおよびさまざまなユーザレベルのソフトウェアアプリケーションを実行するためにＵＥ１１０によって利用されるアプリケーションプロセッサ（ＡＰ）、ならびにモデムまたはＲＦフロントエンド１２４のベースバンドプロセッサによって利用される１つまたは複数のプロセッサを含むことができる。ＵＥ１１０はさらに、データおよび／または実行可能命令を記憶するために電子装置によって使用されるさまざまな媒体のいずれかを含む、１つまたは複数のコンピュータ可読媒体２０８を含み、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、キャッシュ、フラッシュメモリ、ソリッドステートドライブ（ＳＳＤ）またはその他の大容量記憶装置などである。説明を容易にし、簡潔にするために、コンピュータ可読媒体２０８は、プロセッサ２０６によって実行されるデータおよび命令を記憶するためにシステムメモリまたは他のメモリが頻繁に使用されることを考慮して、本明細書では「メモリ２０８」と呼ばれるが、「メモリ２０８」への言及は、特に断りのない限り、他のタイプの記憶媒体にも同様に適用されるものとすることが理解される。
【0030】
少なくとも１つの実施形態では、ＵＥ１１０は、本明細書ではセンサセット２１０と呼ばれる複数のセンサをさらに含み、それらの少なくとも一部は、本明細書で説明されるニューラルネットワークベースの方式で利用される。一般に、センサセット２１０のセンサは、ＵＥ１１０の環境の何らかの態様、またはユーザによるＵＥ１１０の使用を感知するセンサを含み、これらは、ＢＳ１０８に対するＵＥ１１０のＲＦ伝播パス、またはＵＥ１１０によるＲＦ送受信性能に少なくとも何らかの影響を与える、またはそれを反映するパラメータを感知する可能性を有する。センサセット２１０のセンサは、レーダーセンサ、ライダーセンサ、画像化センサ、構造化光ベースの深度センサなどの、物体検出のための１つまたは複数のセンサを含むことができる。センサセット２１０は、ＵＥ１１０の位置または姿勢を決定するための１つまたは複数のセンサを含むこともでき、例えば、ＧＰＳセンサ、全地球航法衛星システム（ＧＮＳＳ）センサなどの衛星測位センサ、内部測定ユニット（ＩＭＵ）センサ、視覚オドメトリセンサ、ジャイロスコープ、傾斜センサまたはその他の傾斜計、超広帯域（ＵＷＢ）ベースのセンサなどである。センサセット２１０のセンサのタイプの他の例としては、画像化センサ、例えば、ユーザによる画像捕捉用のカメラ、顔検出用のカメラ、立体視または視覚的オドメトリ用のカメラ、装置の特徴の近くにある物体を検出するための光センサなどを含み得る。ＵＥ１１０はさらに、１つまたは複数のバッテリ２１２または他のポータブル電源、ならびに１つまたは複数のユーザインターフェース（ＵＩ）コンポーネント２１４を含むことができ、例えば、タッチスクリーン、ユーザが操作可能な入力／出力装置（例えば、「ボタン」やキーボード）、またはその他のタッチ／接触センサ、マイク、または音声コンテンツを捕捉するためのその他の音声センサ、ビデオコンテンツを捕捉するための画像センサ、熱センサ（ユーザへの近接を検出するためなど）などを含み得る。
【0031】
ＵＥ１１０の１つまたは複数のメモリ２０８は、ＵＥ１１０の１つまたは複数のプロセッサ２０６および他のコンポーネントを操作する、実行可能なソフトウェア命令の１つまたは複数のセットおよび関連データを記憶するために使用され、本明細書に記載され、ＵＥ１１０に帰属するさまざまな機能を実行する。実行可能なソフトウェア命令のセットには、例えば、動作システム（ＯＳ）およびさまざまなドライバ（図示せず）、ならびにさまざまなソフトウェアアプリケーションが含まれる。実行可能なソフトウェア命令のセットは、ニューラルネットワーク管理モジュール２２２、能力管理モジュール２２４、またはＣＳＩ推定値モジュール２２６（図１のＣＳＩ推定値コンポーネント１２０の一実施形態）のうちの１つまたは複数をさらに含む。ニューラルネットワーク管理モジュール２２２は、以下で詳細に説明するように、ＵＥ１１０のために１つまたは複数のニューラルネットワークを実装する。能力管理モジュール２２４は、ニューラルネットワーク構成または選択に関係し得るＵＥ１１０のさまざまな能力を決定し、そのような能力を管理コンポーネント１４０に報告する。同様に、ＲＦおよび処理能力の変化、アクセサリの可用性または能力の変化などを含む、そのような能力の変化についてＵＥ１１０を監視し、管理コンポーネント１４０へのそのような能力の報告および能力の変化を管理する。同様に上で説明したように、ＣＳＩ推定値モジュール２２６は、ＢＳ１０８などの別の装置によって送信されるＣＳＩパイロット信号の受信表現に基づいてＣＳＩ推定値を生成するように動作する。少なくとも一実施形態では、ＣＳＩ推定値モジュール２２６は、当技術分野で知られているさまざまな最小二乗法（ＬＳ）、最小平均二乗法（ＬＭＳ）、またはベイジアンＣＳＩ推定値技術のいずれかなど、ＣＳＩ推定値を計算するための１つまたは複数のアルゴリズム技術を実装する。
【0032】
本明細書で説明されるＵＥ１１０の動作を容易にするために、ＵＥ１１０の１つまたは複数のメモリ２０８はさらに、これらの動作に関連付けられるデータを記憶することができる。このデータには、例えば、装置データ２２８および１つまたは複数のニューラルネットワークアーキテクチャ構成２３０が含まれ得る。装置データ２２８は、例えば、ユーザデータ、マルチメディアデータ、ビームフォーミングコードブック、ソフトウェアアプリケーション構成情報などを表す。装置データ２２８はさらに、センサセット２１０の１つまたは複数のセンサに関するセンサ能力情報など、ＵＥ１１０の能力情報を含むことができる。特定のセンサまたはセンサタイプの有無、および存在するセンサについては、ライダーまたはレーダーセンサの範囲と解像度、画像化カメラの画像解像度と色深度など、対応する能力の１つまたは複数の表現などが含まれる。能力情報はさらに、例えばバッテリ２１２の能力または状態、ＵＩ２１４の能力または状態（例えば、ディスプレイの画面解像度、色域、またはフレームレート）などに関する情報を含むことができる。
【0033】
１つまたは複数のニューラルネットワークアーキテクチャ構成２３０は、管理コンポーネント１４０によって維持される候補ニューラルネットワークアーキテクチャ構成１４４のセット１４２から選択されるＵＥ実装例を表す。各ニューラルネットワークアーキテクチャ構成２３０は、ＵＥ１１０の対応するニューラルネットワークを形成するためにニューラルネットワーク管理モジュール２２２によって使用される、対応するアーキテクチャおよび／またはパラメータ構成を表すデータおよび他の情報を含む１つまたは複数のデータ構造を含む。ニューラルネットワークアーキテクチャ構成２３０に含まれる情報には、例えば、全接続層ニューラルネットワークアーキテクチャ、畳み込み層ニューラルネットワークアーキテクチャ、リカレントニューラルネットワーク層、接続されるいくつかの隠れニューラルネットワーク層、入力層アーキテクチャ、出力層アーキテクチャ、ニューラルネットワークによって利用されるいくつかのノード、ニューラルネットワークで利用される係数（例えば、重みやバイアス）、カーネルパラメータ、ニューラルネットワークによって利用されるいくつかのフィルタ、ニューラルネットワークによって利用されるストライド／プーリング構成、各ニューラルネットワーク層のアクティブ化関数、ニューラルネットワーク層間の相互接続、スキップするニューラルネットワーク層などを指定するパラメータが含まれる。したがって、ニューラルネットワークアーキテクチャ構成２３０は、ＮＮ形成構成（例えば、１つまたは複数のＮＮ形成構成要素の組み合わせ）を作成するために使用できるＮＮ形成構成要素（例えば、アーキテクチャおよび／またはパラメータ構成）の任意の組み合わせを含み、ＤＮＮを定義および／または形成する。
【0034】
図３は、いくつかの実施形態による（代表的な送信装置としての）ＢＳ１０８のハードウェア構成例を示す。描かれたハードウェア構成は、本明細書で説明するニューラルネットワークベースのプロセスに最も直接関係する処理コンポーネントと通信コンポーネントを表し、ディスプレイ、非センサ周辺機器、外部電源など、そのような電子装置に頻繁に実装されることがよく理解されている特定のコンポーネントは省略されていることに留意されたい。さらに、図示の図は単一のネットワークノード（例えば、５Ｇ ＮＲノードＢ、または「ｇＮＢ」）としてのＢＳ１０８の実装を表しているが、その機能、したがって、代わりに、ＢＳ１０８のハードウェアコンポーネントは、複数のネットワークノードまたは装置にわたって分散されてもよく、本明細書で説明される機能を実行する方法で分散されてもよいことに留意されたい。
【0035】
図示の構成では、ＢＳ１０８は、１つまたは複数のアンテナ３０２を有するＲＦフロントエンド１３０と、１つまたは複数のＲＡＴをサポートする１つまたは複数のモデムを有するＲＦアンテナインターフェース３０４とを含み、これは、さまざまなタイプの無線通信を容易にするために、ＢＳ１０８の１つまたは複数のプロセッサ３０６とアンテナ３０２との間で信号伝達を実行および処理するＰＨＹトランシーバインターフェースとして動作する。アンテナ３０２は、互いに同様または異なるように構成される複数のアンテナの１つまたは複数のアレイに配置することができ、対応するＲＡＴに関連付けられる１つまたは複数の周波数帯域に同調することができる。１つまたは複数のプロセッサ３０６は、例えば、１つまたは複数のＣＰＵ、ＧＰＵ、ＴＰＵ、または他のＡＳＩＣなどを含むことができる。ＢＳ１０８はさらに、データおよび／または実行可能命令を記憶するために電子装置によって使用されるさまざまな媒体のいずれかを含む、１つまたは複数のコンピュータ可読媒体３０８を含み、ＲＡＭ、ＲＯＭ、キャッシュ、フラッシュメモリ、ＳＳＤまたはその他の大容量記憶装置などである。ＵＥ１１０のメモリ２０８と同様に、説明を容易にし、簡潔にするために、コンピュータ可読媒体３０８は、プロセッサ３０６による実行のためのデータおよび命令を記憶するためにシステムメモリまたは他のメモリを頻繁に使用することを考慮して、本明細書では「メモリ３０８」と呼ばれる。しかし、「メモリ３０８」への言及は、特に断りのない限り、他のタイプの記憶媒体にも同様に適用される必要があることが理解されるであろう。
【0036】
少なくとも１つの実施形態では、ＢＳ１０８は、本明細書でセンサセット３１０と呼ばれる複数のセンサをさらに含み、それらの少なくとも一部は、本明細書で説明されるニューラルネットワークベースの方式で利用される。一般に、センサセット３１０のセンサには、ＢＳ１０８の環境のある態様を感知するセンサが含まれ、これらは、対応するＵＥ１１０に対するＢＳ１０８のＲＦ伝播パス、またはＢＳ１０８によるＲＦ送受信性能に少なくとも何らかの影響を与える、またはそれを反映するパラメータを感知する可能性を有する。センサセット３１０のセンサは、レーダーセンサ、ライダーセンサ、画像化センサ、構造化光ベースの深度センサなどの、物体検出のための１つまたは複数のセンサを含むことができる。ＢＳ１０８がモバイルＢＳである場合、センサセット３１０は、ＢＳ１０８の位置または姿勢を決定するための１つまたは複数のセンサを含むこともできる。センサセット３１０のセンサのタイプの他の例としては、画像化センサ、ＢＳ１０８の特徴に近接する物体を検出するための光センサなどが挙げられ得る。
【0037】
ＢＳ１０８の１つまたは複数のメモリ３０８は、ＢＳ１０８の１つまたは複数のプロセッサ３０６および他のコンポーネントを操作する、実行可能なソフトウェア命令の１つまたは複数のセットおよび関連データを記憶するために使用され、本明細書で説明され、ＢＳ１０８に起因するさまざまな機能を実行する。実行可能なソフトウェア命令のセットには、例えば、動作システム（ＯＳ）およびさまざまなドライバ（図示せず）、ならびにさまざまなソフトウェアアプリケーションが含まれる。実行可能なソフトウェア命令のセットは、ニューラルネットワーク管理モジュール３１４、能力管理モジュール３１６、ＣＳＦ管理モジュール３１８、またはＭＩＭＯ管理モジュール３２０のうちの１つまたは複数をさらに含む。
【0038】
ニューラルネットワーク管理モジュール３１４は、以下で詳細に説明するように、ＢＳ１０８のために１つまたは複数のニューラルネットワークを実装する。能力管理モジュール３１８は、ニューラルネットワーク構成または選択に関係し得るＢＳ１０８のさまざまな能力を決定し、そのような能力を管理コンポーネント１４０に報告し、同様に、ＲＦおよび処理能力の変化などを含むそのような能力の変化についてＢＳ１０８を監視し、管理コンポーネント１４０へのそのような能力の報告および能力の変化を管理する。ＣＳＦ管理モジュール３１８は、ＢＳ１０８と１つまたは複数の対応するＵＥ１１０との間のＣＳＦプロセスを管理するように動作し、ＣＳＩパイロット信号の生成および対応するＵＥ１１０への送信を管理するステップと、送信されるＣＳＩパイロット信号の分析からＵＥ１１０によって報告される結果として得られるＣＳＩ推定値情報を取得し、処理するステップと、結果として生じるＣＳＩ推定値の表現をＭＩＭＯ管理モジュール３２０に通信するステップと、を含む。次に、ＭＩＭＯ管理モジュール３２０は、供給されるＣＳＩ推定値に基づいて、ＲＦフロントエンド１２４の１つまたは複数のＭＩＭＯプロセスを制御するように動作する。これらのＭＩＭＯプロセスには、ビームフォーミングプロセス、時空間符号化プロセス、ＭＵ－ＭＩＭＯプロセスなどが含まれ得る。
【0039】
本明細書で説明されるようにＢＳ１０８の動作を容易にするために、ＢＳ１０８の１つまたは複数のメモリ３０８はさらに、これらの動作に関連付けられるデータを記憶することができる。このデータには、例えば、ＢＳデータ３２８および１つまたは複数のニューラルネットワークアーキテクチャ構成３３０が含まれ得る。ＢＳデータ３２８は、例えば、ビームフォーミングコードブック、ソフトウェアアプリケーション構成情報などを表す。ＢＳデータ３２８はさらに、センサセット３１０の１つまたは複数のセンサに関するセンサ能力情報など、ＢＳ１０８の能力情報を含むことができ、特定のセンサまたはセンサのタイプの有無、および存在するセンサについては、対応する能力の１つまたは複数の表現が含まれ、例えば、ライダーまたはレーダーセンサの範囲と解像度、画像化カメラの画像解像度と色深度などである。１つまたは複数のニューラルネットワークアーキテクチャ構成３３０は、管理コンポーネント１４０によって維持される候補ニューラルネットワークアーキテクチャ構成１４４のセット１４２から選択されるＢＳ実装例を表す。したがって、図２のニューラルネットワークアーキテクチャ構成２３０と同様に、各ニューラルネットワークアーキテクチャ構成３３０は、ＢＳ１０８の対応するニューラルネットワークを形成するためにニューラルネットワーク管理モジュール３１４によって使用される、対応するアーキテクチャおよび／またはパラメータ構成を表すデータおよび他の情報を含む１つまたは複数のデータ構造を含む。
【0040】
図４は、いくつかの実施形態による管理コンポーネント１４０のハードウェア構成例を示す。描かれたハードウェア構成は、本明細書で説明されるニューラルネットワークベースのプロセスに最も直接関係する処理コンポーネントおよび通信コンポーネントを表し、そのような電子装置に頻繁に実装されることがよく理解されている特定のコンポーネントを省略していることに留意されたい。さらに、ハードウェア構成は単一のコンポーネントに配置されているように示されているが、管理コンポーネント１４０の機能、したがってハードウェアコンポーネントは、代わりに、複数のインフラストラクチャコンポーネントまたはノードにわたって分散されてもよく、本明細書で説明する機能を実行する方法で分散されてもよい。
【0041】
上で述べたように、管理コンポーネント１４０は、ネットワークインフラストラクチャ１０６内のさまざまなコンポーネントのいずれか、またはコンポーネントの組み合わせで実装することができる。説明を簡単にするために、管理コンポーネント１４０は、本明細書では、コアネットワーク１０２のうちの１つのサーバまたは他のコンポーネントとしての実装例を参照して説明されるが、他の実施形態では、管理コンポーネント１４０は、例えば、ＢＳ１０８の一部として実装されてもよい。
【0042】
図示のように、管理コンポーネント１４０は、システム１００の１つまたは複数のネットワークに結合するための１つまたは複数のネットワークインターフェース４０２（例えば、イーサネットインターフェース）と、１つまたは複数のネットワークインターフェース４０２に結合される１つまたは複数のプロセッサ４０４と、１つまたは複数のプロセッサ４０４に結合される１つまたは複数の非一時的なコンピュータ可読記憶媒体４０６（本明細書では簡潔にするために「メモリ４０６」と呼ぶ）とを含む。１つまたは複数のメモリ４０６は、１つまたは複数のプロセッサ４０４および管理コンポーネント１４０の他のコンポーネントを操作して、本明細書に記載され、管理コンポーネント１４０に帰属するさまざまな機能を実行する、１つまたは複数のセットの実行可能ソフトウェア命令および関連データを記憶する。実行可能なソフトウェア命令のセットには、例えば、ＯＳおよびさまざまなドライバ（図示せず）が含まれる。１つまたは複数のメモリ４０６に記憶されるソフトウェアは、トレーニングモジュール４０８またはニューラルネットワーク選択モジュール４１０のうちの１つまたは複数をさらに含むことができる。トレーニングモジュール４０８は、１つまたは複数のトレーニングデータ４１６のセットを使用して、ＣＳＦパス内の送信装置および受信装置で使用することができる候補ニューラルネットワークのセット１４２に対する候補ニューラルネットワークアーキテクチャ構成１４４の共同トレーニングを管理するように動作する。トレーニングには、オフライン（つまり、通信の処理に積極的に関与していない間）および／またはオンライン（つまり、通信の処理に積極的に関与している間）でのニューラルネットワークのトレーニングを含めることができる。さらに、トレーニングは個別または別個に行うことができるため、結果が送信パスの反対側のＤＮＮトレーニングに伝達されたり、影響を与えたりすることなく、各ニューラルネットワークが独自のトレーニングデータセットに基づいて個別にトレーニングされ、あるいは、トレーニングは、データストリーム送信パス内のニューラルネットワークが同じまたは相補的なデータセットで共同トレーニングされるような共同トレーニングであってもよい。
【0043】
ニューラルネットワーク選択モジュール４１０は、図１の例示的なＣＳＦパス１１６について、それぞれＢＳ１０８およびＵＥ１１０などのＣＳＦパス内の送信装置および受信装置の一方または両方から選択関連情報４２０を取得、フィルタリング、およびその他の方法で処理するように動作し、この選択関連情報４２０を使用して、ＣＳＦパス内の送信装置および受信装置での実装のために、候補セット１４２から共同トレーニングされるニューラルネットワークアーキテクチャ構成１４４の一対を選択する。上述したように、この選択関連情報４２０は、例えば、ＵＥ１１０およびＢＳ１０８の一方または両方からの現在の能力情報、現在の伝播パス情報、チャネル固有のパラメータなどを含むことができる。選択が行われた後、ニューラルネットワーク選択モジュール４１０は、各ネットワークコンポーネントに対して選択されるニューラルネットワークアーキテクチャ構成１４４の指示の送信を開始し、例えば、選択される構成に関連付けられるインデックス番号の送信、ニューラルネットワークアーキテクチャ構成自体を表す１つまたは複数のデータ構造の送信、またはそれらの組み合わせを介してである。
【0044】
図５は、いくつかの実施形態によるニューラルネットワークを実装するための例示的な機械学習（ＭＬ）モジュール５００を示す。本明細書で説明されるように、ＣＳＦパス内の送信装置および受信装置の一方または両方（例えば、図１のＣＳＦパス１１６内のそれぞれＢＳ１０８およびＵＥ１１０）は、ＣＳＩフィードバックに関連する着信または発信無線通信を処理するために、１つまたは複数のＤＮＮまたはその他のニューラルネットワークを実装する。したがって、ＭＬモジュール５００は、これらのニューラルネットワークのうちの１つまたは複数を実装するための例示的なモジュールを示す。
【0045】
図示の例では、ＭＬモジュール５００は、３つ以上の層に編成される接続されるノード（例えば、ニューロンおよび／またはパーセプトロン）のグループを有する少なくとも１つのディープニューラルネットワーク（ＤＮＮ）５０２を実装する。層間のノードは、第１の層のノードの第１のサブセットが第２の層のノードの第２のサブセットに接続される部分接続構成、第１の層の各ノードが第２の層の各ノードに接続される全接続構成など、さまざまな方法で構成可能である。ニューロンは入力データを処理して、０から１までの実数などの連続出力値を生成する。場合によっては、出力値は、入力データが目的のカテゴリにどれだけ近いかを示す。パーセプトロンは、入力データに対して二値分類などの線形分類を実行する。ノードは、ニューロンであってもパーセプトロンであっても、さまざまなアルゴリズムを使用して、適応学習に基づいて出力情報を生成できる。ＤＮＮ５０２を使用して、ＭＬモジュール５００は、単一線形回帰、多重線形回帰、ロジスティック回帰、段階的回帰、二値分類、多クラス分類、多変量適応回帰スプライン、ローカルに推定される散布図平滑化などを含む、さまざまな異なるタイプの分析を実行する。
【0046】
いくつかの実装では、ＭＬモジュール５００は、教師あり学習に基づいて適応的に学習する。教師あり学習では、ＭＬモジュール５００は、さまざまなタイプの入力データをトレーニングデータとして受信する。ＭＬモジュール５００は、トレーニングデータを処理して、入力を所望の出力にマッピングする方法を学習する。一例として、ＭＬモジュール５００は、信号のデジタルサンプルを入力データとして受信し、信号サンプルを信号内に埋め込まれた情報を反映する二値データにマッピングする方法を学習する。別の例として、ＭＬモジュール５００は、入力データとして二値データを受信し、二値データが信号内に埋め込まれた信号のデジタルサンプルに二値データをマッピングする方法を学習する。さらに、別の例として、以下でより詳細に説明するように、ＴＸモードで使用する場合、ＭＬモジュール５００は、発信情報ブロックを受信し、情報ブロック内で表される符号化される（例えば、圧縮される）データと符号化されるチャネルを実際に表す出力を生成する方法の両方を学習し、ＲＦアンテナインターフェースによる無線送信に適した出力を形成する。逆に、ＭＬモジュール５００は、ＲＸモードで実装されると、事実上、情報ブロックのデータ符号化およびチャネル符号化表現を表し、入力を処理して、事実上、入力のデータ復号およびチャネル復号表現である出力を生成し、したがって、情報のデータの復元される表現を表す入力を受信するようにトレーニングすることができる。以下でさらに説明するように、ＴＸモードまたはＲＸモードのいずれかまたは両方におけるトレーニングには、入力としてセンサデータ、入力として能力情報、入力としてアクセサリ情報、ＲＦアンテナ構成、または入力として他の動作パラメータ情報などを使用するトレーニングをさらに含むことができる。
【0047】
トレーニング手順中、ＭＬモジュール５００は、ラベル付きデータまたは既知のデータをＤＮＮ５０２への入力として使用する。ＤＮＮ５０２は、ノードを使用して入力を分析し、対応する出力を生成する。ＭＬモジュール５００は、対応する出力を真実のデータと比較し、ノードによって実装されるアルゴリズムを適応させて、出力データの精度を向上させる。その後、ＤＮＮ５０２は、適応されるアルゴリズムをラベルなしの入力データに適用して、対応する出力データを生成する。ＭＬモジュール５００は、統計分析および適応学習の一方または両方を使用して、入力を出力にマッピングする。例えば、ＭＬモジュール５００は、トレーニングデータから学習した特性を使用して、未知の入力を、統計的に閾値範囲または値内である可能性が高い出力に相関させる。これにより、ＭＬモジュール５００は、複雑な入力を受信し、対応する出力を識別することができる。上述したように、いくつかの実装は、そのようなシステムで使用されるデータ符号化／復号化方式の特性と同時に、無線通信システム（例えば、時間／周波数インターリーブ、時間／周波数デインターリーブ、畳み込み符号化、畳み込み復号、電力レベル、チャネル等化、シンボル間干渉、直交振幅変調／復調、周波数分割多重／逆多重化、送信チャネル特性）を介して送信される通信の特性についてＭＬモジュール５００をトレーニングする。これにより、トレーニングされるＭＬモジュール５００は、信号のサンプルを入力として受信し、信号に埋め込まれた二値データなどの情報を信号から復元することができる。
【0048】
図示の例では、ＤＮＮ５０２は、入力層５０４、出力層５０６、および入力層５０４と出力層５０６との間に位置する１つまたは複数の隠れ層５０８を含む。各層には任意の数のノードがあり、層間のノードの数は同じでも異なっていても構わない。すなわち、入力層５０４は、出力層５０６と同じ数および／または異なる数のノードを有することができ、出力層５０６は、１つまたは複数の隠れ層５０８と同じ数および／または異なる数のノードなどを有することができる。
【0049】
ノード５１０は、入力層５０４に含まれたいくつかのノードのうちの１つに対応し、ノードは別個の独立した計算を実行する。さらに説明するように、ノードは入力データを受信し、１つまたは複数のアルゴリズムを使用して入力データを処理して出力データを生成する。通常、アルゴリズムには、適応学習に基づいて変化する重みおよび／または係数が含まれる。したがって、重みおよび／または係数は、ニューラルネットワークによって学習される情報を反映する。各ノードは、場合によっては、処理される入力データを１つまたは複数の次のノードに渡すかどうかを決定できる。説明すると、入力データを処理した後、ノード５１０は、処理される入力データを隠れ層５０８のノード５１２およびノード５１４の一方または両方に渡すかどうかを決定することができる。代替的または追加的に、ノード５１０は、層接続アーキテクチャに基づいて、処理される入力データをノードに渡す。このプロセスは、ＤＮＮ５０２が出力層５０６のノード（例えば、ノード５１６）を使用して出力を生成するまで、複数の層にわたって繰り返すことができる。
【0050】
ニューラルネットワークはまた、ニューラルネットワーク内のどのノードが接続されているか、ニューラルネットワーク内でデータがどのように進められ、および／または保持されるか、入力データの処理にどのような重みと係数が使用されるか、データがどのように処理されるかなどを決定するさまざまなアーキテクチャを使用することもできる。これらのさまざまな要素は、上で簡単に説明したニューラルネットワークアーキテクチャ構成などのニューラルネットワークアーキテクチャ構成を集合的に記述する。説明すると、長短期記憶（ＬＳＴＭ）ニューラルネットワークなどのリカレントニューラルネットワークは、ノード接続間にサイクルを形成して、入力データシーケンスの前の部分からの情報を保持する。リカレントニューラルネットワークは、保持される情報を入力データシーケンスの後続の部分に使用する。別の例として、フィードフォワードニューラルネットワークは、情報を保持するサイクルを形成せずに、接続を転送するために情報を渡す。ノード接続の文脈で説明されているが、ニューラルネットワークアーキテクチャ構成は、ＤＮＮ５０２または他のニューラルネットワークが入力データを処理する方法に影響を与えるさまざまなパラメータ構成を含むことができることを理解されたい。
【0051】
ニューラルネットワークのニューラルネットワークアーキテクチャ構成は、さまざまなアーキテクチャおよび／またはパラメータ構成によって特徴付けることができる。説明のために、ＤＮＮ５０２が畳み込みニューラルネットワーク（ＣＮＮ）を実装する例を考える。一般に、畳み込みニューラルネットワークは、層が畳み込み演算を使用してデータを処理し、入力データをフィルタリングするタイプのＤＮＮに対応する。したがって、ＣＮＮアーキテクチャ構成は、例えば、プーリングパラメータ、カーネルパラメータ、重み、および／または層パラメータによって特徴付けることができる。
【0052】
プーリングパラメータは、入力データの次元を削減する畳み込みニューラルネットワーク内のプーリング層を指定するパラメータに対応する。説明するために、プーリング層は、第１の層のノードの出力を第２の層のノード入力に結合できる。代替的または追加的に、プーリングパラメータは、ニューラルネットワークがデータ処理層のどこでどのようにデータをプールするかを指定する。「最大プーリング」を示すプーリングパラメータは、例えば、第１の層のノードによって生成されるデータのグループから最大値を選択してプールし、その最大値を第２の層の単一ノードへの入力として使用するようにニューラルネットワークを構成する。「平均プーリング」を示すプーリングパラメータは、第１の層のノードによって生成されるデータのグループから平均値を生成するようにニューラルネットワークを構成し、その平均値を第２の層の単一ノードへの入力として使用する。
【0053】
カーネルパラメータは、入力データを処理する際に使用するフィルタサイズ（例えば、幅および高さ）を示す。代替的または追加的に、カーネルパラメータは、入力データのフィルタリングと処理に使用されるカーネル方法のタイプを指定する。例えば、サポートベクターマシンは、回帰分析を使用してデータを識別および／または分類するカーネル方法に対応する。他のタイプのカーネル方法には、ガウスプロセス、正準相関分析、スペクトルクラスタリング方法などが含まれる。したがって、カーネルパラメータは、ニューラルネットワークに適用するフィルタサイズおよび／またはカーネル方法のタイプを示すことができる。重みパラメータは、入力データを分類するためにノード内のアルゴリズムによって使用される重みとバイアスを指定する。いくつかの実装では、重みおよびバイアスは、トレーニングデータから生成されるパラメータ構成など、学習されるパラメータ構成である。層パラメータは、第１の層（例えば、出力層５０６）のすべてのノードを第２の層（例えば、隠れ層５０８）のすべてのノードに接続することを示す完全接続層タイプ、第１の層のどのノードを第２の層から切断するかを示す部分接続層タイプ、ニューラルネットワーク内でどのフィルタおよび／または層をアクティブにするかを示すアクティブ化層タイプなど、層接続および／または層タイプなどを指定する。代替的または追加的に、層パラメータは、正規化層タイプ、畳み込み層タイプ、プーリング層タイプなどのノード層のタイプを指定する。
【0054】
プーリングパラメータ、カーネルパラメータ、重みパラメータ、および層パラメータの文脈で説明したが、本明細書で提供されるガイドラインと一致するＤＮＮを形成するために他のパラメータ構成を使用できることが理解されるであろう。したがって、ニューラルネットワークアーキテクチャ構成には、ＤＮＮが入力データを処理して出力データを生成する方法に影響を与える、ＤＮＮに適用できる任意の適切なタイプの構成パラメータを含めることができる。
【0055】
いくつかの実施形態では、ＭＬモジュール５００の構成は、現在の動作環境にさらに基づく。これを説明するために、信号のデジタルサンプルから二値データを生成するようにトレーニングされるＭＬモジュールを考える。ＲＦ信号の伝播環境により、物理環境を通過する信号の特性が変化することがよくある。ＲＦ信号の伝播環境は頻繁に変化し、環境が信号をどのように変化させるかに影響を与える。例えば、第１のＲＦ信号伝播環境は第１の方法で信号を変更し、一方、第２のＲＦ信号伝播環境は第１とは異なる方法で信号を変更する。これらの違いは、ＭＬモジュール５００によって生成される出力結果の精度に影響を与える。例えば、第１のＲＦ信号伝播環境で送信される通信を処理するように構成されるＤＮＮ５０２は、第２のＲＦ信号伝播環境で送信される通信を処理するときに誤差を生成したり、性能を制限したりし得る。ＤＮＮ５０２を実装するコンポーネントのセンサセットの特定のセンサは、現在のＲＦ信号伝播環境の１つまたは複数の態様を表すセンサデータを提供することができる。上記の例には、ＬＯＳ伝播パス内の干渉物体の有無を決定するためのライダー、レーダー、またはその他の物体検出センサ、コンポーネントに対するユーザの身体の存在および／または位置を決定するためのＵＩセンサなどが含まれ得る。しかし、利用可能な特定のセンサ能力は、センサを実装する特定のコンポーネントに依存し得ることが理解されよう。例えば、ＢＳ１０８は、ライダーまたはレーダー能力を有し、したがって、近接する物体を検出する能力を有し得るが、ＵＥ１１０は、ライダーおよびレーダー能力を欠いてもよい。別の例として、スマートフォン（ＵＥ１１０の一実施形態）は、スマートフォンがユーザのポケットまたはバッグの中にあるかどうかを感知するために使用され得る光センサを有し得、一方、ノートブックコンピュータ（ＵＥ１１０の別の実施形態）には、この能力が欠けている可能性がある。したがって、いくつかの実施形態では、ＭＬモジュール５００に対して実装される特定の構成は、ＭＬモジュール５００を実装する装置の特定のセンサ構成に少なくとも部分的に依存し得る。
【0056】
ＭＬモジュール５００のアーキテクチャ構成は、ＭＬモジュール５００を実装するノードの能力、ＭＬモジュール５００を実装するノードの上流または下流の１つまたは複数のノードの能力、またはそれらの組み合わせに基づくこともできる。例えば、ＵＥ１１０はバッテリ電力が制限され得、したがって、ＵＥ１１０とＢＳ１０８の両方のＭＬモジュール５００は、入力としてバッテリ電力に基づいてトレーニングされ得、例えば、両端のＭＬモジュール５００が、より低電力消費に適したＣＳＩ推定値符号化方式を使用することを容易にする。さらに、いくつかの実施形態では、ＭＬモジュール５００のアーキテクチャ構成は、ＣＳＩフィードバック用のＴＸ処理モジュールに実装される場合、ＣＳＩが１つまたは複数のＭＩＭＯプロセスの制御のために考慮される際の将来の期間におけるＣＳＩの予測（予測将来のＣＳＩ推定値）に基づくか、またはそのためにトレーニングされ得、したがって、ＭＬモジュール５００は、そのような予測を使用するようにトレーニングされ得る。
【0057】
したがって、いくつかの実施形態では、ＭＬモジュール５００を実装する装置は、能力パラメータ、ＲＦ環境パラメータなどの異なる組み合わせに対して異なるニューラルネットワークアーキテクチャ構成を実装するように構成され得る。例えば、装置は、画像化カメラが装置で使用可能であり、ＣＳＦパス内の他の装置がライダーを利用している場合に使用する１つまたは複数のニューラルネットワークアーキテクチャ構成、装置で画像化カメラが利用できず、他の装置がレーダーを利用する場合に使用する１つまたは複数のニューラルネットワークアーキテクチャ構成の異なるセットにアクセスできる。
【0058】
いくつかの実施形態では、ＭＬモジュール５００を実装する装置は、ＭＬモジュール５００に使用できる候補ニューラルネットワークアーキテクチャ構成のセットの一部またはすべてをローカルに記憶する。例えば、候補ニューラルネットワークアーキテクチャ構成は、ルックアップテーブル（ＬＵＴ）または１つまたは複数のパラメータを入力として受け取るその他のデータ構造によってインデックス付けされ得、１つまたは複数の能力パラメータ、伝播環境パラメータ、１つまたは複数のチャネルパラメータなどであり、入力パラメータを考慮した動作に適した、ローカルに記憶される対応する候補ニューラルネットワークアーキテクチャ構成に関連付けられる識別子を出力する。しかし、いくつかの実施形態では、送信装置で使用されるニューラルネットワークと受信装置で使用されるニューラルネットワークは共同でトレーニングされ、したがって、送信装置と受信装置の間で、各装置が共同でトレーニングされるニューラルネットワークアーキテクチャ構成をそのＭＬモジュール５００に対して確実に選択し、または少なくとも、他の装置がその相補的なＭＬモジュール５００用に選択したニューラルネットワークアーキテクチャ構成と動作上互換性があるようにするためのメカニズムを使用する必要があり得る。このメカニズムは、例えば、２つの装置間で直接または管理コンポーネント１４０を介して送信される調整信号伝達を含むことができ、または管理コンポーネント１４０は、各装置によって提案されるサブセットから互換性のある共同トレーニングされるアーキテクチャ構成の一対を選択する基準として機能することもできる。
【0059】
しかし、他の実施形態では、送信装置および受信装置の対応するＭＬモジュール５００で使用される適切な共同トレーニングされるニューラルネットワークアーキテクチャ構成の一対を選択するように管理コンポーネント１４０を動作させることが、より効率的または別の利点であり得る。このアプローチでは、管理コンポーネント１４０は、選択プロセスで使用され得るパラメータの一部またはすべてを表す情報を送信装置および受信装置から取得し、この情報から、管理コンポーネント１４０で維持されるそのような構成のセット１４２から、共同でトレーニングされるニューラルネットワークアーキテクチャ構成１４４の一対を選択する。この選択プロセスは、例えば、１つまたは複数のアルゴリズム、ＬＵＴなどを使用して実装することができる。次に、管理コンポーネント１４０は、（各装置がローカルに記憶されるコピーを有する場合）その装置のＭＬモジュール５００に対して選択されるニューラルネットワークアーキテクチャ構成の識別子または他の指示を各装置に送信することができ、あるいは、管理コンポーネント１４０は、その装置用に選択されるニューラルネットワークアーキテクチャ構成を表す１つまたは複数のデータ構造を送信することができる。
【0060】
送信装置と受信装置に適切なニューラルネットワークアーキテクチャ構成の一対を選択するプロセスを容易にするために、少なくとも１つの実施形態では、管理コンポーネント１４０は、ニューラルネットワーク管理モジュールとトレーニングモジュールとの適切な組み合わせを使用して、トレーニングＣＳＦパスにおいてＭＬモジュール５００をトレーニングする。トレーニングは、アクティブな通信交換が行われていないときにオフラインで行うことも、アクティブな通信交換中にオンラインで行うこともできる。例えば、管理コンポーネント１４０は、トレーニングデータを数学的に生成し、トレーニングデータを記憶するファイルにアクセスし、現実世界の通信データを取得するなどすることができる。次に、管理コンポーネント１４０は、その後の使用のために、学習されるさまざまなニューラルネットワークアーキテクチャ構成を抽出して記憶する。一部の実装では、各ニューラルネットワークアーキテクチャ構成とともに入力特性を記憶する。これにより、入力特性は、それぞれのニューラルネットワークアーキテクチャ構成に対応するＲＦ信号伝播環境および能力構成の一方または両方のさまざまな特性を記述する。実装では、ニューラルネットワークマネージャーは、現在のＲＦ信号伝播環境および現在の動作環境を入力特性に一致させることによってニューラルネットワークアーキテクチャ構成を選択し、現在の動作環境にはトレーニングＣＳＦパスに沿った１つまたは複数のノードの能力の指示が含まれ、センサ能力、ＲＦ能力、ストリーミングアクセサリ能力、処理能力、スケジューリング待ち時間などである。
【0061】
前述したように、ＢＳ１０８およびＵＥ１１０などの無線通信中のネットワーク装置は、各ネットワーク装置で１つまたは複数のＤＮＮを使用して無線通信交換を処理するように構成することができ、各ＤＮＮは、ＣＳＩ推定値プロセスまたはＣＳＦプロセスを促進するために、１つまたは複数のハード符号化されるブロックまたは固定設計のブロックによって従来実装されていた１つまたは複数の機能を置き換える。さらに、各ＤＮＮは、ネットワーク化される装置のセンサセットの１つまたは複数のセンサからの現在のセンサデータ、および／またはチェーン１１６に沿ったノードの一部またはすべてからの能力データをさらに組み込むことができ、事実上、現在の動作環境に合わせて動作を変更または適応させる。
【0062】
この目的のために、図６は、図１の例示的なＣＳＦパス１１６におけるＤＮＮ実装のための例示的な動作環境６００を示し、ＢＳ１０８が送信装置として動作し、ＵＥ１１０が受信装置として動作する。図示の例では、ＵＥ１１０のニューラルネットワーク管理モジュール２２２は、ＣＳＦ送信機（ＴＸ）処理モジュール６０２を実装する一方、ＢＳ１０８のニューラルネットワーク管理モジュール３１４は、ＣＳＦ受信機（ＲＸ）処理モジュール６０４を実装する。少なくとも１つの実施形態では、これらの処理モジュールの各々は、図５のＭＬモジュール５００の１つまたは複数のＤＮＮ５０２を参照して上述したように、対応するＭＬモジュールの実装を介して１つまたは複数のＤＮＮを実装する。
【0063】
図示されるアプローチでは、動作環境６００は、ＣＳＩ推定値を生成するプロセスに対して従来のアプローチを利用するが、ＣＳＩ推定値の符号化およびＢＳ１０８への送信にはニューラルネットワークベースのアプローチを利用する。したがって、ＣＳＦ管理モジュール３１８は、１つまたは複数のＣＳＩパイロット信号６０８のシーケンスを生成し、各々は、１つまたは複数のアンテナ３０２を介してＵＥ１１０に送信される対応するＲＦ信号６１０に変換するために、ＢＳ１０８のＲＦアンテナインターフェース３０４に提供される。ＲＦ信号６１０は、１つまたは複数のアンテナ２０２およびＲＦアンテナインターフェース２０４を介してＵＥ１１０で受信され、処理され、結果として得られる捕捉信号６１２は、ＣＳＩ推定値モジュール２２６によって分析され、送信されるＣＳＩパイロット信号６０８に対応するアンテナ／受信機／副搬送波に対する１つまたは複数のＣＳＩ推定値が生成される。ＣＳＩ推定値モジュール２２６は、ＣＳＩ推定値のためのさまざまな周知の技術または独自の技術のいずれかを使用することができる。一般に、このようなＣＳＩ推定値技術は、ＣＳＩパイロット信号６０８のパラメータが事前に知られているという事実を活用し、したがって、捕捉信号６１２の実際の受信形式をその予想される受信形式と比較して、ＣＳＩ推定値を決定することができる。
【0064】
従来のＣＳＦプロセスでは、対応するアンテナ／受信機／副搬送波の組み合わせのＣＳＩ推定値が、ＣＳＩ推定値行列の対応するインデックス位置に追加され、これは、完了すると、ＣＳＩ推定値行列用に送信されるデータの総量を削減するために、ベクトル量子化（ＶＱ）などの固定のハード符号化される圧縮アルゴリズムを使用してＵＥからＢＳに返送される。しかし、大規模ＭＩＭＯシステムやＭＵ－ＭＩＭＯシステムなどの複雑なシステムでは、アンテナ、副搬送波、ユーザの数が増加すると、結果として得られるＣＳＩ推定値行列のサイズが指数関数的に増加し、これにより、送信用のＣＳＩ推定値行列を量子化または圧縮する従来のハード符号化されるアルゴリズムによるアプローチが実行不可能になるか、少なくとも過度に複雑になり得る。
【0065】
そのため、ハード符号化またはアルゴリズムによるＣＳＩ推定値量子化プロセスを使用する代わりに、代わりに、ＵＥ１１０のＣＳＦ ＴＸ処理モジュール６０２およびＢＳ１０８のＣＳＦ ＲＸ処理モジュール６０４は、ＢＳ１０８によって送信されるＣＳＩパイロット信号伝達からＵＥ１１０によって決定されるＣＳＩ推定値を表すデータを通信するために、ＵＥ１１０とＢＳ１０８との間のニューラルネットワークベースの無線フィードバックパスをサポートするために相互動作する。この目的のために、ＵＥ１１０のＣＳＦ ＴＸ処理モジュール６０２の１つまたは複数のＤＮＮが、ＣＳＩ推定値モジュール２２６によって生成される１つまたは複数のＣＳＩ推定値を表す出力ＣＳＩ推定値データブロック６１４を入力として受信し、また他の入力も受信するようにトレーニングされ、これらの入力から対応するＣＳＩ出力６２０を生成する。
【0066】
ＣＳＦ ＴＸ処理モジュール６０２に提供される任意の他の入力には、例えば、センサセット２１０からのセンサデータ６１６、およびＲＦアンテナインターフェース２０４の送信側の現在の動作パラメータを表すネットワークステータス情報６１８が含まれ得、したがって、信号伝達を送信するための現在のＲＦ伝播環境を表すものとして機能する。さらに、チャネル状態は時々刻々と変化し得、したがって、ＣＳＩ推定値がＵＥ１１０で生成されるときと、ＭＩＭＯ管理モジュール３２０がＣＳＩ推定値を使用して１つまたは複数のＭＩＭＯプロセスを制御するときとの間の待ち時間（本明細書では「スケジューリング待ち時間」と呼ばれる）は、その結果、現在の期間のＭＩＭＯプロセスを制御するために、前の期間からの古いＣＳＩ推定値情報が生じ得ることが理解されるであろう。このスケジューリング待ち時間を補うために、ＣＳＦ ＴＸ処理モジュール６０２の１つまたは複数のＤＮＮは、事実上、次の期間の将来のＣＳＩ推定値の予測であるＣＳＩ出力を提供するために、異なるスケジューリング待ち時間でトレーニングされ得（ＢＳ１０８のスケジューリング待ち時間により示される）、ＣＳＩ出力６２０で表される予測将来のＣＳＩ推定値は、ＢＳ１０８のＭＩＭＯ管理モジュール３２０によって使用されることになる。したがって、この目的のために、ＵＥ１１０はさらに、ＢＳ１０８のスケジューリング待ち時間を表すスケジューリング待ち時間情報６１９をＣＳＦ ＴＸ処理モジュール６０２への入力として提供することができ、これは、ＢＳ１０８の動作の分析を通じて決定され、ＢＳ１０８によるスケジューリングの明示的なアドバタイズメントに基づいて決定され、別のＵＥによって観察されるＢＳ１０８のスケジューリング待ち時間に基づいて決定され得る、などである。
【0067】
ＲＦアンテナインターフェース２０４および１つまたは複数のアンテナ２０２は、このＣＳＩ出力６２０を、ＢＳ１０８による受信のために無線で送信される対応するＲＦ信号６２２に変換する。特に、いくつかの実施形態では、ＣＳＦ ＴＸ処理モジュール６０２の１つまたは複数のＤＮＮは、事実上、入力ＣＳＩ推定値データブロック６１４のデータ符号化（例えば、圧縮）表現をもたらす処理を提供するようにトレーニングされ、このような処理は、アルゴリズムによるデータ量子化プロセスの面倒で非効率なハード符号化を必要とするのではなく、共同トレーニングを通じて１つまたは複数のＤＮＮにトレーニングされる。さらに、いくつかの実施形態では、１つまたは複数のＤＮＮは、事実上、デジタルアナログ変換およびＲＦ送信の準備ができているＣＳＩ推定値データブロック６１４のチャネル符号化（変調を含む）表現を提供するようにさらに動作することができる。つまり、個別の離散処理ブロックを使用してデータ符号化プロセスを実装し、その後に最初のＲＦ符号化プロセスを実行するのではなく、ＣＳＦ ＴＸ処理モジュール６０２は、そのようなプロセスと同等の処理を同時に提供するようにトレーニングすることができ、センサデータ６１６、ネットワークステータス情報６１８、およびスケジューリング待ち時間情報６１９などの他の現在のデータに少なくとも部分的に基づくことができ、対応する信号を生成する。つまり、事実上、ソースが符号化され、チャネルが符号化され、ＲＦ送信の準備が整い、スケジューリング待ち時間が考慮される場合、予測将来のＣＳＩ推定値を反映するように修正される。
【0068】
ＵＥ１１０から伝播されるＲＦ信号６２２は、ＢＳ１０８のアンテナ３０２およびＲＦアンテナインターフェース３０４によって受信され、最初に処理される。ＣＳＦ ＲＸ処理モジュール６０４の１つまたは複数のＤＮＮは、ＲＦアンテナインターフェース３０４の結果として生じる出力を、センサセット３１０からのセンサデータ６２６や、ＲＦアンテナインターフェース３０４の受信側の現在のパラメータを表すネットワークステータス情報６２８など任意選択で１つまたは複数の他の入力とともに入力６２４としてこれらの入力から、受信するようにトレーニングされ、ＵＥ１１０のＣＳＩ推定値モジュール２２６によって提供されるＣＳＩ推定値データブロック６１４の復元される表現またはバージョンである、対応するＣＳＩ推定値データブロック６３０を生成する。ＣＳＦ ＲＸ処理モジュール６０４によって実行される処理には、例えば、ＣＳＩ推定値データブロック６１４のデータ符号化バージョンのデジタル表現を生成するための入力６２４のチャネル復号化、ならびに事実上データ自体の復号化（例えば、圧縮解除）を行い、ＣＳＩ推定値データブロック６１４の復号表現を生成する。次いで、復元されるＣＳＩ推定値データブロック６３０は、ＢＳ１０８とＵＥ１１０の間、またはＢＳ１０８と複数のＵＥの間の１つまたは複数のＭＩＭＯベースのプロセスを制御する際に使用するために、ＭＩＭＯ管理モジュール３２０に提供され得る。上で述べたように、そのような動作には、ビームフォーミング動作、空間ダイバーシティ動作などが含まれ得る。
【0069】
送信装置と受信装置間のＣＳＦパスを実装するために共同トレーニングされるＤＮＮまたはその他のニューラルネットワークを実装すると、設計に柔軟性がもたらされ、従来のブロックごとの設計およびテストのアプローチと比較して効率的な更新が容易になるが、また、ＣＳＦパス内の装置が発信および着信の送信処理を現在の動作パラメータに迅速に適応させることもできる。しかし、ＤＮＮは、展開して動作を開始し得る前に、通常、１つまたは複数の入力の指定されるセットに対して適切な出力を提供するようにトレーニングまたはその他の方法で構成される。この目的のために、図７は、いくつかの実施形態による、異なる動作環境に対するＣＳＦパス内の装置の任意選択として、１つまたは複数の共同トレーニングされるＤＮＮアーキテクチャ構成を開発するための例示的な方法７００を示す。図７を参照して説明した動作の順序は、例示のみを目的としており、異なる順序の動作が実行されてもよく、さらに、１つまたは複数の動作が省略されたり、あるいは示される方法に１つまたは複数の追加の動作が含まれたりしてもよいことに留意されたい。さらに、図７は、１つまたは複数のテストノードを使用するオフライントレーニングアプローチを示しているが、アクティブ動作中の１つまたは複数のノードを使用するオンライントレーニングにも同様のアプローチを実装することができることに留意されたい。
【0070】
上で説明したように、ＤＮＮチェーンの一方または両方の装置で使用されるＤＮＮの動作は、対応するＣＳＦパスを形成し、ＣＳＦパスの特定の能力と現在の動作パラメータに基づく場合があり、対応するＤＮＮを使用する装置、１つまたは複数の上流または下流装置、またはそれらの組み合わせの動作パラメータ、および一般的なＲＦ伝播環境などである。これらの能力および動作パラメータには、例えば、装置のＲＦ送信環境を感知するために使用されるセンサのタイプ、そのようなセンサの能力、１つまたは複数の装置の電力容量、１つまたは複数の装置の処理能力、１つまたは複数の装置のＲＦアンテナインターフェース構成（例えば、ビームの数、アンテナポート、サポートされる周波数）などが含まれ得る。説明されているＤＮＮはそのような情報を利用して動作を決定するため、多くの場合、ノードの１つで実装される特定のＤＮＮ構成は、その装置またはＣＳＦパスの反対側の装置で現在使用されている特定の能力および動作パラメータに基づいていることが理解されるであろう。つまり、実装される特定のＤＮＮ構成は、送信装置と受信装置によって実装されるＣＳＦパスによって現在示されている能力情報と動作パラメータを反映している。
【0071】
したがって、方法７００は、ブロック７０２で、テストＣＳＦパスの１つまたは複数のテストノードの予想される能力（予想される動作パラメータまたはパラメータ範囲を含む）を識別することから始まり、これには、テスト送信装置とテスト受信装置が含まれる。以下では、管理コンポーネント１４０のトレーニングモジュール４０８が共同トレーニングを管理していると仮定し、したがって、テスト装置の能力情報は、（例えば、この情報を記憶するデータベースまたは他のローカルに記憶されるデータ構造を介して）トレーニングモジュール４０８に知られる。しかし、管理コンポーネント１４０は、特定のＵＥの能力について先験的な知識を有していない可能性が高いため、テスト送信装置およびテスト受信装置は、管理コンポーネント１４０にそれぞれの能力の指示を提供し、テスト装置で利用可能なセンサのタイプの指示、これらのセンサ（例えば、画像化カメラの画像化解像度と画像データ形式、衛星位置センサの衛星測位のタイプと形式など）のさまざまなパラメータの指示、装置で利用可能なアクセサリと適用可能なパラメータ（例えば、オーディオチャンネルの数）などである。例えば、テスト装置は、少なくとも４Ｇ ＬＴＥおよび５Ｇ ＮＲの仕様に従って、ＢＳによって送信されるＵＥＣａｐａｂｉｌｉｔｙＥｎｑｕｉｒｙＲＲＣメッセージに応答してＵＥによって通常提供されるＵＥＣａｐａｂｉｌｉｔｙＩｎｆｏｒｍａｔｉｏｎ無線リソース制御（ＲＲＣ）メッセージの一部としてこの能力の指示を提供することができる。あるいは、テストＵＥは、別個のサイドチャネルまたは制御チャネル通信としてセンサ能力の指示を提供できる。さらに、いくつかの実施形態では、テスト装置の能力は、管理コンポーネント１４０が利用可能なローカルまたはリモートのデータベースに記憶されてもよく、したがって、管理コンポーネント１４０は、テスト装置に関連付けられる国際移動加入者識別情報（ＩＭＳＩ）値など、テスト装置の何らかの形式の識別子に基づいてこのデータベースに問い合わせることができる。
【0072】
いくつかの実施形態では、トレーニングモジュール４０８は、すべてのＣＳＦ構成の並べ替えをトレーニングしようと試みることができる。しかし、送信装置および受信装置が比較的多数および多様な能力および他の動作パラメータを有する可能性が高い実装では、この取り組みは現実的ではない可能性がある。したがって、ブロック７０４で、トレーニングモジュール４０８は、指定されるセットの候補ＣＳＦ構成から、テスト装置のＤＮＮを共同でトレーニングするための特定のＣＳＦ構成を選択することができる。したがって、各候補ＣＳＦ構成は、ＣＳＦ関連パラメータ、パラメータ範囲、またはそれらの組み合わせの特定の組み合わせを表すことができる。このようなパラメータまたはパラメータ範囲には、センサ能力パラメータ、処理能力パラメータ、バッテリ電力パラメータ、アンテナの数およびタイプ、サブチャネルの数およびタイプなどのＲＦ信号伝達パラメータ、スケジューリング待ち時間情報などが含まれ得る。このようなＣＳＦ関連パラメータはさらに、送信装置によって使用される特定のタイプのＣＳＩパイロット信号、受信装置がＣＳＩ推定値を計算する方法およびＣＳＩ推定値はＣＳＦなどとして提供されるフォーマットを表すことができる。トレーニング用に選択される候補ＣＳＦ構成を使用して、さらにブロック７０４で、トレーニングモジュール４０８は、テスト送信装置およびテスト受信装置の各々の初期ＤＮＮアーキテクチャ構成を識別し、テスト装置に指示し、テスト装置が候補の初期ＤＮＮアーキテクチャ構成のコピーを記憶する場合に、初期ＤＮＮアーキテクチャ構成に関連付けられる識別子をテスト装置に提供するか、初期ＤＮＮアーキテクチャ構成自体を表すデータをテスト装置に送信することにより、これらのそれぞれの初期ＤＮＮアーキテクチャ構成を実装する。
【0073】
ＣＳＦ構成を選択し、選択したＣＳＦ構成に基づいてＤＮＮアーキテクチャ構成でテスト装置を初期化すると、ブロック７０６で、トレーニングモジュール４０８は、選択されるＣＳＦ構成および初期ＤＮＮアーキテクチャ構成に基づいて、ＤＮＮチェーンのＤＮＮを共同トレーニングする際に使用するトレーニングデータの１つまたは複数のセットを識別する。つまり、トレーニングデータの１つまたは複数のセットは、オンライン動作において対応するＤＮＮへの入力として提供され得、従ってＤＮＮをトレーニングするのに適したデータを含むか、または表す。説明するために、このトレーニングデータには、テストＣＳＩパイロット信号、テストＣＳＩパイロット信号のテスト受信表現、テスト対象の構成に含まれるセンサと一致するテストセンサデータ、テスト対象の構成と一致するテストネットワークステータス情報などのストリームを含めることができる。
【0074】
１つまたは複数のトレーニングセットが取得されると、ブロック７０８で、トレーニングモジュール４０８は、テストＣＳＦパスのＤＮＮの共同トレーニングを開始する。この共同トレーニングには通常、さまざまなＤＮＮのバイアスの重みと係数を初期値で初期化するステップであって、これらは一般に擬似ランダムに選択される、ステップと、その後、テスト受信装置のＴＸ処理モジュール（例えば、ＣＳＦ ＴＸ処理モジュール６０２）にトレーニングデータのセットを入力するステップと、得られた出力を、テスト受信装置のＲＸ処理モジュール（例えば、ＣＳＦ ＲＸ処理モジュール６０４）への送信として無線で送信するステップと、結果の出力を分析するステップと、次に、分析に基づいてＤＮＮアーキテクチャ構成を更新するステップと、が含まれる。
【0075】
ＤＮＮトレーニングに頻繁に使用されるように、ＣＳＦ ＲＸ処理モジュール６０４の実際の結果出力の結果として得られるフィードバックは、逆伝播などを通じて、ＣＳＦパスの１つまたは複数のＤＮＮのパラメータを修正または改良するために使用される。したがって、ブロック７１０で、管理コンポーネント１４０および／またはＤＮＮチェーン自体は、送信されるトレーニングセットに対するフィードバックを取得する。このフィードバックは、さまざまな形式または形式の組み合わせのいずれかで実装できる。いくつかの実施形態では、フィードバックは、実際の結果出力と予想される結果出力との間の誤差を決定し、この誤差をＤＮＮチェーンのＤＮＮ全体に逆伝播するトレーニングモジュール４０８または他のトレーニングモジュールを含む。例えば、ＤＮＮチェーンによる処理は量子化またはその他の符号化の形式を効果的に提供するため、トレーニングデータセットに対する客観的なフィードバックは、ＤＮＮチェーンへの入力として提供される元のＣＳＩ推定値データと比較した、ＤＮＮチェーンからの出力として取得される復元されるＣＳＩ推定値データの精度を何らかの形で測定することができる。取得されるフィードバックには、信号がＤＮＮチェーン内の１つまたは複数のリンクを通過する際の信号のいくつかの態様に関する評価メトリックも含まれ得る。例えば、信号伝達のＲＦ態様に関して、フィードバックにはメトリクスを含めることができ、例えば、ブロック誤差率（ＢＥＲ）、信号対雑音比（ＳＮＲ）、信号対干渉プラス雑音比（ＳＩＮＲ）などである。
【0076】
ブロック７１２で、ＤＮＮチェーンを介したテストデータセットの送信、およびテスト送信装置での結果の出力のプレゼンテーションまたはその他の消費の結果として得られるフィードバックは、次に、ＣＳＦパスの１つまたは複数のＤＮＮのさまざまな態様を更新するために使用され、例えば、対応するＤＮＮの重み、接続、または層を変更するための誤差の逆伝播を通じて、またはそのようなフィードバックに応答して管理コンポーネント１４０による管理される変更を通じてである。次いで、ブロック７０６～７１２のトレーニングプロセスは、ブロック７０６の次の反復で選択されるトレーニングデータの次のセットに対して実行され、特定の回数のトレーニング反復が実行されるまで、または特定の最小誤差率が達成されるまで繰り返される。
【0077】
テスト送信装置とテスト受信装置の間のＣＳＦパスに沿ったニューラルネットワークの共同（または個別）トレーニングの結果として、各ニューラルネットワークは、特定のニューラルネットワークアーキテクチャ構成、または実装されるニューラルネットワークがＤＮＮである場合のＤＮＮアーキテクチャ構成を持ち、これは、隠れ層の数、各層のノードの数、各層間の接続、重み、係数、および各ノードに実装されるその他のバイアス値など、対応するＤＮＮのアーキテクチャとパラメータを特徴づける。したがって、選択されるＣＳＦ構成に対するＣＳＦパスのＤＮＮの共同または個別のトレーニングが完了すると、ブロック７１４で、トレーニングされるＤＮＮ構成の一部またはすべてがシステム１００内のＢＳ１０８およびＵＥ１１０に配信され、各々のノードは、対応するＤＮＮの結果として得られるＤＮＮ構成をＤＮＮアーキテクチャ構成として記憶する。少なくとも一実施形態では、ＤＮＮアーキテクチャ構成は、対応するＤＮＮのアーキテクチャとパラメータを抽出することで生成でき、例えば、共同トレーニングの終了時の隠れ層の数、ノードの数、接続、係数、重み、およびその他のバイアス値などである。他の実施形態では、管理コンポーネント１４０は、一対のＤＮＮアーキテクチャ構成のコピーをセット１４２の候補ニューラルネットワークアーキテクチャ構成１４４として記憶し、次いで、これらのＤＮＮアーキテクチャ構成は、必要に応じてＢＳ１０８およびＵＥ１１０に配布される。
【0078】
トレーニングすべき他の候補ＣＳＦ構成が１つまたは複数残っている場合、次に、方法７００は、共同トレーニングされる次の候補ＣＳＦ構成を選択するためにブロック７０４に戻り、ブロック７０４～７１４のサブプロセスの別の反復が、トレーニングモジュール４０８によって選択される次のＣＳＦ構成に対して繰り返される。そうでなく、ＣＳＦパスのＤＮＮが、意図されるすべてのＣＳＦ構成に対して共同でトレーニングされている場合、方法７００は完了し、システム１００は、図８～図１２を参照して以下に説明するように、ニューラルネットワークでサポートされるＣＳＩ推定値フィードバックに移行することができる。
【0079】
上で述べたように、共同トレーニングプロセスは、オフラインテストノードを使用して（つまり、制御情報またはユーザプレーンデータのアクティブな通信が発生していない間）、または意図される送信パスの実際のノードがオンラインである間に実行することができる（つまり、制御情報またはユーザプレーンデータのアクティブな通信が行われている間）。さらに、いくつかの実施形態では、すべてのＤＮＮを一緒にトレーニングするのではなく、場合によっては、他のＤＮＮを静的に維持しながら、ＤＮＮのサブセットをトレーニングまたは再トレーニングすることができる。説明するために、管理コンポーネント１４０は、特定の装置のＤＮＮが、例えば、ＤＮＮを実装する装置の近くに未検出の干渉源が存在することにより、または以前に報告されていない処理能力の損失に応答して、非効率的または誤って動作していることを検出することができ、したがって、管理コンポーネント１４０は、他の装置の他のＤＮＮを現在の構成に維持しながら、装置のＤＮＮの個別の再トレーニングをスケジュールすることができる。
【0080】
さらに、多数のＣＳＦ構成をサポートする多種多様な装置があり得るが、多くの異なるノードが同じまたは類似のＣＳＦ構成をサポートし得ることが理解されるであろう。したがって、代表的な装置の共同トレーニングに続いて、ＣＳＦパスに組み込まれるすべての装置の共同トレーニングを繰り返す必要はなく、装置は、ＣＳＦ構成用のトレーニングされるＤＮＮアーキテクチャ構成の表現を管理コンポーネント１４０に送信することができ、管理コンポーネント１４０は、ＤＮＮアーキテクチャ構成を記憶し、その後、ＣＳＦパスのＤＮＮでの実装のために、同じまたは類似のＣＳＦ構成をサポートする他の装置にそれを送信することができる。
【0081】
さらに、ＤＮＮアーキテクチャ構成は、対応する装置がＤＮＮを使用して動作するにつれて、時間の経過とともに変化することが多い。したがって、動作が進行するにつれて、特定の装置のニューラルネットワーク管理モジュール（例えば、ニューラルネットワーク管理モジュール２２２、３１４）は、そのノードで使用される１つまたは複数のＤＮＮの更新されるアーキテクチャ構成の表現を送信するように構成され得る。例えば、トリガに応答して、更新される勾配および関連情報を管理コンポーネント１４０に提供することによって行われる。このトリガは、定期的なタイマーの満了、管理コンポーネント１４０からのクエリ、変化の大きさが指定される閾値を超えたという決定などであり得る。次に、管理コンポーネント１４０は、これらの受信したＤＮＮ更新を対応するＤＮＮアーキテクチャ構成に組み込み、したがって、必要に応じて送信パス内のノードに配布できる更新されるＤＮＮアーキテクチャ構成を有する。
【0082】
図８および図９は、いくつかの実施形態による、無線装置間の共同トレーニングされるＤＮＮベースのＣＳＦパスを使用するチャネル状態フィードバックのための例示的な方法８００を一緒に示す。説明を容易にするために、図８の方法８００は、図１と図６のＣＳＦパス１１６の例に関連して以下に説明され、ＢＳ１０８は送信装置として動作し、ＵＥ１１０は受信装置として動作する。さらに、方法８００のプロセスは、図９の例示的なトランザクション（ラダー）図９００を参照して説明される。
【0083】
方法８００は、セルラーコンテキストにおける５Ｇ ＮＲスタンドアロン登録／アタッチプロセスまたはＷＬＡＮコンテキストにおけるＩＥＥＥ８０２．１１関連プロセスなどを介して、ＢＳ１０８とＵＥ１１０が無線接続を確立するブロック８０２で開始する。ブロック８０４で、管理コンポーネント１４０は、ＢＳ１０８およびＵＥ１１０の各々から能力情報を取得し、ＢＳ１０８の能力管理モジュール３１６（図３）によって提供される能力情報９０２（図９）、ＵＥ１１０の能力管理モジュール２２４（図２）によって提供される能力情報９０４（図９）などである。いくつかの実施形態では、管理コンポーネント１４０は、ＢＳ１０８が同じインフラストラクチャネットワークの一部である場合、ＢＳ１０８の能力をすでに通知されていてもよい。この場合、ＢＳ１０８の能力情報９０２を取得するステップは、この情報のためにローカルまたはリモートのデータベースまたは他のデータストアにアクセスするステップを含むことができる。ＵＥ１１０の場合、ＢＳ１０８は能力要求をＵＥ１１０に送信することができ、ＵＥ１１０はこの要求に能力情報９０４で応答し、その後、ＢＳ１０８はそれを管理コンポーネント１４０に転送する。例えば、ＢＳ１０８は、ＵＥＣａｐａｂｉｌｉｔｙＥｎｑｕｉｒｙＲＲＣメッセージを送信することができ、ＵＥ１１０は、ＣＳＩ関連の能力情報を含むＵＥＣａｐａｂｉｌｉｔｙＩｎｆｏｒｍａｔｉｏｎＲＲＣメッセージで応答する。
【0084】
ブロック８０６で、管理コンポーネント１４０のニューラルネットワーク選択モジュール４１０は、能力情報およびＢＳ１０８とＵＥ１１０の間のＣＳＦ構成を表す他の情報を使用し、ＣＳＦパス１１６をサポートするためにＢＳ１０８およびＵＥ１１０で実装される一対のＣＳＦ ＤＮＮアーキテクチャ構成を選択する（ＤＮＮ選択９０６、図９）。いくつかの実施形態では、ニューラルネットワーク選択モジュール４１０は、アルゴリズム選択プロセスを使用し、ＢＳ１０８およびＵＥ１１０から取得される能力情報およびＣＳＦパス１１６のＣＳＦ構成パラメータは、セット１４２内の候補ニューラルネットワークアーキテクチャ構成１４４の一対の属性と比較され、ＤＮＮアーキテクチャ構成の適切な一対が識別される。他の実施形態では、ニューラルネットワーク選択モジュール４１０は、候補ＤＮＮアーキテクチャ構成を１つまたは複数のＬＵＴに編成することができ、各エントリは、ＤＮＮアーキテクチャ構成の対応する一対を記憶し、入力パラメータまたはパラメータ範囲の対応する組み合わせによってインデックス付けされ、したがって、ニューラルネットワーク選択モジュール４１０は、ブロック８０４で識別される能力およびＣＳＦ構成パラメータを１つまたは複数のＬＵＴへの入力として提供することを介して、ＢＳ１０８およびＵＥ１１０によって使用されるＤＮＮアーキテクチャ構成の適切な一対を選択することができる。
【0085】
さらにブロック８０６で、管理コンポーネント１４０は、選択される共同トレーニングされるＤＮＮアーキテクチャ構成の一対からそれぞれのＤＮＮアーキテクチャ構成を実装するようにＢＳ１０８およびＵＥ１１０に指示する。ＢＳ１０８およびＵＥ１１０の各々が潜在的な将来の使用に備えて候補ＤＮＮアーキテクチャ構成を記憶する実装では、管理コンポーネント１４０は、実装されるＤＮＮアーキテクチャ構成の識別子を含むメッセージを送信することができる。そうでない場合、管理コンポーネント１４０は、ＤＮＮアーキテクチャ構成を表す情報を、例えば、層１信号、層２制御要素、層３ＲＲＣメッセージ、またはそれらの組み合わせとして送信することができる。例えば、図９を参照すると、管理コンポーネント１４０は、ＢＳ１０８に対して選択されるＤＮＮアーキテクチャ構成を表すデータを含むＤＮＮ構成メッセージ９０８をＢＳ１０８に送信する。このメッセージの受信に応答して、ＢＳ１０８のニューラルネットワーク管理モジュール３１４は、ＤＮＮ構成メッセージ９０８からデータを抽出し、抽出されるデータで表されるＤＮＮアーキテクチャ構成を有する１つまたは複数のＤＮＮを実装するようにＣＳＦ ＲＸ処理モジュール６０４を構成する。同様に、管理コンポーネント１４０は、ＵＥ１１０に対して選択されるＤＮＮアーキテクチャ構成を表すデータを含むＤＮＮ構成メッセージ９１０をＵＥ１１０に送信する。このメッセージの受信に応答して、ＵＥ１１０のニューラルネットワーク管理モジュール２２２は、ＤＮＮ構成メッセージ９１０からデータを抽出し、抽出されるデータで表されるＤＮＮアーキテクチャ構成を有する１つまたは複数のＤＮＮを実装するようにＣＳＦ ＴＸ処理モジュール６０２を構成する。
【0086】
ＣＳＦパス１１６のＤＮＮが最初に構成されると、ＣＳＩ推定値およびフィードバックプロセスを開始することができる。したがって、ブロック８０８で、ＢＳ１０８のＣＳＦ管理モジュール３１８は、ＣＳＦパス１１６（これには、例えば、使用される特定のビーム、アンテナ、副搬送波などが含まれ得る）のＣＳＦ構成に基づいてＣＳＩパイロット信号９１２（図９）を選択または識別し、ＵＥ１１０へのＣＳＩパイロット信号９１２の無線送信を提供する。ブロック８１０で、ＵＥ１１０は、送信されるＣＳＩパイロット信号９１２を表す１つまたは複数のＲＦ信号を受信し、１つまたは複数のＲＦ信号を１つまたは複数の対応するベースバンド信号に変換し、次に、ＣＳＩ推定値モジュール２２６は、１つまたは複数のベースバンド信号を分析して、ＣＳＩ推定値９１４（図９）を決定する。上述したように、ＣＳＩ推定値モジュール２２６は、さまざまなＣＳＩ推定値技術のいずれかを使用して、ＣＳＩ推定値を決定することができる。
【0087】
ブロック８１２で、ＣＳＦ ＴＸ処理モジュール６０２は、任意選択で１つまたは複数の他の入力とともに、ＣＳＩ推定値９１４を入力として受信し、例えば、ＵＥ１１０のセンサからのセンサデータ、ＢＳ１０８でのＣＳＩ推定値の使用におけるスケジューリング待ち時間を表すスケジューリング待ち時間情報、および／またはＵＥ１１０のＲＦアンテナインターフェース２０４からの現在のネットワークステータス情報などであり、これらの入力から、量子化または符号化される形式でＣＳＩ推定値９１４を表すＣＳＦ出力９１６（図９）を生成する。ブロック８１４で、結果として得られるＣＳＦ出力９１６は、ＵＥ１１０からＢＳ１０８に無線で送信される。
【0088】
ブロック８１６で、ＣＳＦ出力９１６を表す１つまたは複数のＲＦ信号が受信され、ＢＳ１０８のＲＦフロントエンド３０４によって処理され、結果の出力は、任意でＢＳ１０８のセンサセット３１０からのセンサデータ、ＢＳ１０８によって取得される現在のネットワークステータス情報などの１つまたは複数の他の入力とともに、ＢＳ１０８のＣＳＦ ＲＸ処理モジュール６０４への入力として提供される。ＣＳＦ ＲＸ処理モジュール６０４の１つまたは複数のＤＮＮは、これらの入力に基づいて、ＣＳＩ推定値の復元される表現９１４（復元されるＣＳＩ推定値９１８、図９）を生成する。ブロック８１８で、復元されるＣＳＩ推定値９１８がＭＩＭＯ管理モジュール３２０に提供され、ＭＩＭＯ管理モジュール３２０は、ＣＳＩ推定値９１８を使用して、１つまたは複数のＭＩＭＯプロセス９２０を適宜変更または制御する。上述したように、ＵＥ１１０のＣＳＦ ＴＸ処理モジュール６０２は、ＣＳＩ出力を生成する際にＢＳ１０８のスケジューリング待ち時間をさらに考慮することができるため、ＣＳＩ推定値９１４は、ＣＳＦ ＴＸ処理モジュール６０２による処理中に、ＣＳＩ推定値の予測将来のバージョンを反映するように修正され、したがって、復元されるＣＳＩ推定値９１８は、ＭＩＭＯ管理モジュール３２０がＭＩＭＯプロセスの制御においてＣＳＩ推定値を使用するようにスケジュールされている期間中に予測されるＣＳＩ推定値を表す。
【0089】
通常、ＣＳＩ推定値プロセスには、一連のＣＳＩパイロット信号の送信が含まれ、各ＣＳＩパイロット信号（またはＣＳＩパイロット信号のサブセット）は、サブチャネル／搬送周波数のセットのうちの特定のサブチャネルまたは搬送周波数を特徴付ける際に使用するように構成されている。したがって、ブロック８０８から８１８のプロセスは、そのようなシーケンス内の各ＣＳＩパイロット信号に対して繰り返すことができる。例えば、このプロセスの次の反復では、別の副搬送波のチャネル推定値のためにＣＳＩパイロット信号９２２（図９）を選択し、ＢＳ１０８からＵＥ１１０に送信することができる。ＣＳＩ推定値モジュール２２５は、ＣＳＩパイロット信号９２２の受信バージョンを処理して、その副搬送波のＣＳＩ推定値９２４（図９）を決定し、ＣＳＩ推定値９２４は、他の入力とともにＣＳＦ ＴＸ処理モジュール６０２への入力として提供され、ＣＳＦ出力９２６（図９）の形式でＣＳＩ推定値９２４の符号化表現を生成する。次いで、ＣＳＦ出力９２６はＢＳ１０８に無線で送信され、その後、ＣＳＦ出力９２６の復元される表現がＣＳＦ ＲＸ処理モジュール６０４への入力として提供され、この入力と任意選択で１つまたは複数の他の入力を使用して、ＣＳＩ推定値９２４の復元される表現（図９の復元されるＣＳＩ推定値９２８）を生成し、これは、次に、ＢＳ１０８における１つまたは複数のＭＩＭＯプロセス９３０（図９）を修正または制御するために使用することができる。
【0090】
さらに、図８の方法８００および図９のラダー図９００の対応する動作例は、ＵＥ１１０で生成される各ＣＳＩ推定値は、対応する個別のＣＳＦ出力を生成するために使用される実装を示し、他の実施形態では、ＵＥ１１０で生成されるＣＳＩ推定値ごとに新しいＣＳＦ出力を生成するのではなく、ＵＥ１１０は、特定のＣＳＦ反復に対してＢＳ１０８によって送信される一連のＣＳＩパイロット信号全体の一部またはすべてに対するＣＳＩ推定値を生成し、一時的に記憶するように構成され得、次に、ＣＳＩ推定値の結果のセットを、ＣＳＩ推定値行列または他のデータ構造の形式で単一のデータブロック（例えば、図１のＣＳＩ推定値データブロック１３４）として、ＣＳＩ推定値のセットを表す単一のＣＳＦ出力を生成するためのＣＳＦ ＴＸ処理モジュール６０２への入力として提供する。
【0091】
これまで、システム１００を実施形態に関連して説明され、従来のＣＳＩパイロット送信およびＣＳＩ推定値プロセスは、結果として得られるＣＳＩ推定値を送信装置に提供するために、ニューラルネットワークベースのチャネル状態フィードバックパスと併せて使用される。しかし、システム１００は、このアプローチに限定されず、代わりに、ＣＳＩパイロット送信、ＣＳＩ推定値、およびＣＳＩフィードバックプロセスの各々に対して共同トレーニングされるＤＮＮまたは他のニューラルネットワークを使用してもよい。この目的のために、図１０は、ＣＳＩパイロット送信、ＣＳＩ推定値、およびＣＳＩフィードバックプロセスが、送信装置および受信装置で共同トレーニングされるＤＮＮまたは他のニューラルネットワークのセットを使用して実装される例示的な動作環境１０００を示す。説明を容易にするために、動作環境は、送信装置としてのＢＳ１０８および受信装置としてのＵＥ１１０の例示的なコンテキストで説明される。開示される原理は、サイドリンクの例だけでなく、送信装置としてのＵＥ１１０および受信装置としてのＢＳ１０８を有する例にも等しく適用される。
【0092】
図示される例の動作環境１０００では、ＢＳ１０８のニューラルネットワーク管理モジュール３１４は、ＣＳＦ ＴＸ処理モジュール１００２およびＣＳＦ ＲＸ処理モジュール１００８を使用し、一方、ＵＥ１１０のニューラルネットワーク管理モジュール２２２は、ＣＳＦ ＲＸ処理モジュール１００４およびＣＳＦ ＴＸ処理モジュール１００６を実装する。少なくとも１つの実施形態では、これらの処理モジュールの各々は、図５のＭＬモジュール５００の１つまたは複数のＤＮＮ５０２を参照して上述したように、対応するＭＬモジュールの実装を介して１つまたは複数のＤＮＮを実装する。
【0093】
処理モジュール１００２、１００４、１００６、および１００８は、トレーニングされるニューラルネットワークベースのアプローチを優先して、複雑なハード符号化されるＣＳＦプロセスの使用を削減または排除する方法でＣＳＦを提供するように一緒に動作し、これは、ＢＳ１０８およびＵＥ１１０の現在の動作パラメータに適応させることができ、また、これらの動作パラメータの変化にも適応できる。この目的のために、候補ニューラルネットワークアーキテクチャ構成は、図７の方法７００を参照して上述したように共同してトレーニングすることができ、管理コンポーネント１４０またはシステム１００の他のコンポーネントは、上記と同様に選択プロセスを使用して、共同トレーニングされる候補から、これらの処理モジュールに使用されるニューラルネットワークアーキテクチャ構成の特定のセットを選択することができる。
【0094】
図１１は、いくつかの実施形態による図１０の動作環境１０００の動作方法１１００の一例を示す。理解を容易にするために、方法１１００は、図１２の例示的なトランザクション（ラダー）図１２００を参照して説明される。方法１１００は、ブロック１１０２で開始し、ブロック８０２、８０４を参照して上述したように、ＢＳ１０８およびＵＥ１１０が初期接続を確立し、管理コンポーネント１４０がＢＳ１０８およびＵＥ１１０からＣＳＦ関連能力情報を取得する（図８）。ブロック８０６を参照して同様に上で説明したように、管理コンポーネント１４０は、取得される能力情報および提供される任意のＣＳＦ構成情報に基づいて、処理モジュール１００２、１００４、１００６、および１００８によって使用されるＤＮＮアーキテクチャ構成のセットを選択し、選択されるＤＮＮアーキテクチャ構成を実装するようにＢＳ１０８およびＵＥ１１０に指示する。このプロセスは、トランザクション図１２００においてＤＮＮ構成プロセス１２０２として表される。
【0095】
ブロック１１０４で、ＣＳＦ管理モジュール３１８は、現在のＣＳＦ構成を表す情報から構成されるＣＳＦ構成入力１０１０（図１０、１２）を生成し、ＢＳ１０８とＵＥ１１０は、ＵＥ１１０とのダウンリンク通信においてＢＳ１０８によって使用されるＣＳＩを提供するために共同して協力することになる。この情報には、例えば、使用されるビームの特定のサブセット、使用される搬送波周波数の特定のサブセット、使用される特定の数のアンテナポート、指定される電力効率目標、ＲＦ信号伝達を予想し、見通し線（ＬｏＳ）かマルチパス、あるいはそれらの組み合わせであるかどうかの指示が含まれ得る。
【0096】
ブロック１１０６で、ＣＳＦ構成入力１０１０は、ＢＳ１０８のＣＳＦ ＴＸ処理モジュール１００２への入力として提供され、任意で、センサセット３１０からの現在のセンサデータ、またはＢＳ１０８によって観察される現在のネットワークステータス情報などの１つまたは複数の他の入力とともに提供される（説明を容易にするために、これらの入力は図１０から省略されている）。ＣＳＦ構成入力１０１０および他の入力に基づいて、ＣＳＦ ＴＸ処理モジュール１００２は、事実上、１つまたは複数のＣＳＩパイロット信号を表すＣＳＩパイロット出力１０１２（図１０、図１２）を生成するように動作する。これは、ＣＳＦ構成入力１０１０で表される現在のＣＳＦ構成を反映する。次いで、ブロック１１０８で、ＣＳＩパイロット出力１０１２がＵＥ１１０に無線で送信される。さらに、ＣＳＩパイロット出力１０１２はまた、ＢＳ１０８のＣＳＦ ＲＸ処理モジュール１００８への入力としても提供され、後述するように、この入力をセンサデータや現在のネットワークステータス情報などの他の入力とともに任意に使用して、ＵＥ１１０におけるＤＮＮ生成出力からＣＳＩ推定値情報を復元する。
【0097】
ブロック１１１０で、ＵＥ１１０は、ＣＳＩパイロット出力１０１２を表す受信無線信号を処理し、結果を、任意でＵＥ１１０のセンサセット２１０からのセンサデータ、またはＵＥ１１０によって観察される現在のネットワークステータス情報などの１つまたは複数の他の入力とともに、ＵＥ１１０のＣＳＦ ＲＸ処理モジュール１００６への入力として提供する（説明を容易にするために、図１０からは省略されている）。次いで、ＣＳＦ ＲＸ処理モジュール１００６は、これらの入力を使用して、対応するＣＳＩ出力１０１４（図１０、図１２）を生成し、事実上、ＣＳＦ構成情報１０１０で表され、受信されるＣＳＩパイロット出力１０１２によって表されるＣＳＩパイロット情報から生成される、サブチャネル／ビーム／アンテナポートの組み合わせの一部またはすべてについての１つまたは複数のＣＳＩ推定値を表す。すなわち、ＣＳＦ ＴＸ処理モジュール１００２およびＣＳＦ ＲＸ処理モジュール１００６は、事実上、従来のアルゴリズムによるＣＳＩパイロット送信およびＣＳＩ推定値計算プロセスと同等のものを提供するように共同してトレーニングすることができるが、処理モジュール１００２および１００６はさらに現在の動作パラメータを現在の送信環境によりよく適応するための現在のセンサ入力および現在のネットワーク状態、ならびにＢＳ１０８が生成されているＣＳＩ推定値情報を使用する期間のＣＳＩ推定値情報をよりよく予測するためのスケジューリング待ち時間情報の形で組み込むことができる。
【0098】
ブロック１１１２で、ＣＳＦ ＴＸモジュール１００６は、ＣＳＩ出力１０１４を入力として受信し、任意でセンサデータ、ネットワークステータスデータ、または他のデータとともに１つまたは複数の他の入力として受信し、これらの入力から、事実上、ＣＳＦ出力１０１６（図１０、１２）が生成され、ＣＳＩ出力１０１４で表されるＣＳＩ推定値情報の圧縮または符号化される表現を表し、センサデータ、ネットワークステータス情報、スケジューリング待ち時間、および他の入力で表される現在の動作コンテキストに適合される。ブロック１１１４で、ＵＥ１１０は、ＣＳＦ出力１０１６をＢＳ１０８に無線で送信する。
【0099】
ブロック１１１６で、ＢＳ１０８は、ＣＳＦ出力１０１６を表す無線信号を処理し、ＣＳＦ出力１０１６の復元されるＣＳＩ表現を表す結果として生じる出力をＣＳＦ ＲＸ処理モジュール１００８に提供する。ＣＳＦ ＲＸ処理モジュール１００８は、この入力を、入力としてのＣＳＩパイロット出力１０１２とともに使用し、任意でさらに、ＢＳ１０８で観察されるセンサデータおよび現在のネットワークステータス情報などの１つまたは複数の他の入力とともに使用し、ＣＳＩ推定値出力１０１８を生成し、これは、ＢＳ１０８のＣＳＦ ＴＸ処理モジュール１００２によって生成されるＣＳＩパイロット出力１０１２の受信表現に基づいて、ＵＥ１１０のＣＳＦ ＲＸ処理モジュール１００４によって生成されるＣＳＩ出力１０１４で表されるＣＳＩ推定値情報の復元される表現を表す。すなわち、一実施形態では、処理モジュール１００６および１００８のＤＮＮは、事実上、従来のハード符号化されるＣＳＩフィードバックプロセスと同等のものを提供するように共同でトレーニングされ、ＣＳＩ推定値は送信のために符号化されるが、処理モジュール１００６および１００８はさらに、現在の送信環境によりよく適応するために、現在のセンサ入力および現在のネットワーク状態の形で現在の動作パラメータを組み込むことができる。ブロック１１１８では、ＣＳＩ推定値出力１０１８で表されるＣＳＩ推定値情報が、次いで、ＢＳ１０８で使用されている１つまたは複数のＭＩＭＯプロセスの制御に使用するためにＭＩＭＯ管理モジュール３２０に提供される。
【0100】
通常、動作環境の変化により、ブロック１１０４～１１１８のプロセスの最新の反復中に提供されるＣＳＩ推定値の再校正または再計算が必要になり得る。例えば、ＵＥ１１０の位置が再計算を必要とするほど十分に変化し得、ＢＳ１０８またはＵＥ１１０の一方または両方のアンテナパターンが実質的に変化している可能性などであり得る。したがって、ブロック１１０４から１１１８のプロセスを繰り返して、特定のＭＩＭＯ動作を制御するためにＢＳ１０８によって使用されるＣＳＩ推定値を更新することができる。ブロック１１０４から１１１８のプロセスの別の反復のトリガは、タイマーまたは他の定期的な基準に基づくことができる。例えば、ＢＳ１０８または管理コンポーネント１４０は、タイマーの経過に基づいて別の反復をトリガすることができる。他の実施形態では、反復トリガのタイミングをＤＮＮ自体にトレーニングすることができるため、ＢＳ１０８のＣＳＦ ＴＸ処理モジュール１００２は、タイマー、特定のセンサデータ入力またはネットワークステータス入力などに基づいて別の反復をトリガするようにトレーニングされ得る。
【0101】
いくつかの実施形態では、上述の技術の特定の態様は、ソフトウェアを実行する処理システムの１つまたは複数のプロセッサによって実装され得る。ソフトウェアは、非一時的なコンピュータ可読記憶媒体上に記憶されるか、そうでなければ有形に具現化される実行可能命令の１つまたは複数のセットを含む。ソフトウェアは、１つまたは複数のプロセッサによって実行されると、１つまたは複数のプロセッサを操作して、上述の技術の１つまたは複数の態様を実行する命令および特定のデータを含むことができる。非一時的なコンピュータ可読記憶媒体には、例えば、磁気ディスク記憶装置または光ディスク記憶装置、フラッシュメモリ、キャッシュ、ランダムアクセスメモリ（ＲＡＭ）、または他の不揮発性メモリ装置などの固体記憶装置などが含まれ得る。非一時的なコンピュータ可読記憶媒体に記憶される実行可能命令は、ソースコード、アセンブリ言語コード、オブジェクトコード、または１つまたは複数のプロセッサによって解釈または実行可能な別の命令フォーマットであってもよい。
【0102】
コンピュータ可読記憶媒体は、使用中にコンピュータシステムにアクセスして命令および／またはデータをコンピュータシステムに提供する任意の記憶媒体、または記憶媒体の組み合わせを含み得る。このような記憶媒体には、光媒体（例えば、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイディスク）、磁気媒体（例えば、フロッピーディスク、磁気テープ、磁気ハードドライブ）、揮発性メモリ（例えば、ランダムアクセスメモリ（ＲＡＭ）またはキャッシュ）、不揮発性メモリ（例えば、読み取り専用メモリ（ＲＯＭ）またはフラッシュメモリ）、または微小電気機械システム（ＭＥＭＳ）ベースの記憶媒体が含まれ得るが、これらに限定されない。コンピュータ可読記憶媒体は、コンピュータシステム（例えば、システムＲＡＭまたはＲＯＭ）に埋め込まれ、コンピューティングシステムに固定的に接続され（例えば、磁気ハードドライブ）、コンピューティングシステムに取り外し可能に取り付けられ（例えば、光ディスクやユニバーサルシリアルバス（ＵＳＢ）ベースのフラッシュメモリ）、または、有線または無線ネットワーク（例えば、ネットワークアクセスストレージ（ＮＡＳ））を介してコンピュータシステムに接続されてもよい。
【0103】
一般的な説明で前述したアクティビティまたは要素のすべてが必要なわけではないこと、特定のアクティビティまたは装置の一部が必要ではない場合があること、および記載されるものに加えて、１つまたは複数のさらなるアクティビティが実行されるか、または要素が含まれ得ることに留意されたい。さらに、アクティビティがリストされている順序は、必ずしも実行される順序ではない。また、概念は、特定の実施形態を参照して説明される。しかし、当業者であれば、以下の特許請求の範囲に記載される本開示の範囲から逸脱することなく、さまざまな修正および変更を行うことができることを理解するであろう。したがって、明細書および図面は、限定的な意味ではなく例示としてみなされるべきであり、そのような修正はすべて本開示の範囲内に含まれることが意図される。
【0104】
利点、他の長所、および問題の解決策を、特定の実施形態に関して上で説明した。しかし、利点、長所、問題の解決策、および利点、長所、解決策が発生する、またはより顕著になり得る特徴は、請求項のいずれかまたはすべての重要な、必要な、または必須の特徴として解釈されるべきではない。さらに、開示の主題は、本明細書の教示の恩恵を受ける当業者にとって明白な、異なるが同等の方法で変更および実施することができるため、上に開示した特定の実施形態は単なる例示である。以下の特許請求の範囲に記載されているものを除き、本明細書に示される構造または設計の詳細に対して制限を意図するものではない。したがって、上で開示した特定の実施形態が変更または修正され得ることは明らかであり、そのような変形はすべて、開示される主題の範囲内にあるとみなされる。したがって、本明細書で求められる保護は、以下の特許請求の範囲に記載されているとおりである。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【手続補正書】
【提出日】2024-02-07
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
第１の装置におけるコンピュータが実装する方法であって、前記第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、
前記第１の装置の送信ニューラルネットワークに前記ニューラルネットワークアーキテクチャ構成を実装するステップとを備え、前記送信ニューラルネットワークは、前記送信ニューラルネットワークの出力を受けて処理するように構成され、共同でトレーニングされた受信ニューラルネットワークとペアを構成し、
前記方法は、さらに、
チャネル状態情報（ＣＳＩ）推定値の表現を前記送信ニューラルネットワークへの入力として受信するステップと、
前記送信ニューラルネットワークにおいて、前記ＣＳＩ推定値の前記表現に基づいて第１の出力を生成するステップと、を含み、前記第１の出力は、将来の時点に対する前記ＣＳＩ推定値の予測の前記表現の圧縮バージョンを表し、および
前記第１の装置の無線周波数（ＲＦ）アンテナインターフェースを制御して、前記受信ニューラルネットワークを実装する第２の装置による受信のために前記第１の出力を表す第１のＲＦ信号を送信するステップを含む、コンピュータが実装する方法。
【請求項2】
請求項１に記載の方法であって、前記第２の装置から受信した１つまたは複数のＲＦ信号に基づいて前記ＣＳＩ推定値をアルゴリズム的に決定するステップをさらに含む、方法。
【請求項3】
前記第１の出力を生成するステップは、前記送信ニューラルネットワークへの入力として提供される前記第２の装置の多入力多出力（ＭＩＭＯ）プロセスのスケジューリング待ち時間の表現にさらに基づいて、前記送信ニューラルネットワークで前記第１の出力を生成するステップをさらに含む、請求項１に記載の方法。
【請求項4】
前記ニューラルネットワークアーキテクチャ構成は、前記スケジューリング待ち時間に基づいて、複数の候補ニューラルネットワークアーキテクチャ構成から前記送信ニューラルネットワーク用に選択される、請求項３に記載の方法。
【請求項5】
前記第１の出力を生成するステップは、前記第１の装置の１つまたは複数のセンサから前記送信ニューラルネットワークに入力されるセンサデータにさらに基づいて、前記送信ニューラルネットワークで前記第１の出力を生成するステップを含む、請求項１に記載の方法。
【請求項6】
前記第１の装置の受信ニューラルネットワークの入力としてＣＳＩパイロット信号の表現を受信するステップと、および前記受信ニューラルネットワークにおいて、前記ＣＳＩパイロット信号の前記表現に基づいて第２の出力を生成するステップと、をさらに含み、前記第２の出力は前記ＣＳＩ推定値の前記表現を含む、請求項１に記載の方法。
【請求項7】
前記第２の出力を生成するステップは、前記第１の装置の１つまたは複数のセンサからのセンサデータ、または前記ＣＳＩ推定値に関連付けられるチャネルの搬送波周波数のうちの少なくとも１つに基づいて、前記受信ニューラルネットワークで前記第２の出力を生成するステップをさらに含む、請求項６に記載の方法。
【請求項8】
第１の装置におけるコンピュータが実装する方法であって、前記第１の装置の少なくとも１つの能力を表す能力情報をインフラストラクチャコンポーネントに提供することに応答して、ニューラルネットワークアーキテクチャ構成の指示を受信するステップと、
前記第１の装置の受信ニューラルネットワークに前記ニューラルネットワークアーキテクチャ構成を実装するステップとを備え、前記受信ニューラルネットワークは、前記受信ニューラルネットワークへ出力を送信するように構成され、共同でトレーニングされた送信ニューラルネットワークとペアを構成し、
前記方法は、さらに、
前記第１の装置の無線周波数（ＲＦ）アンテナインターフェースで、前記送信ニューラルネットワークを実装する第２の装置から、予測将来のチャネル状態情報（ＣＳＩ）推定値の圧縮表現を表す第１のＲＦ信号を受信するステップと、
前記第１のＲＦ信号の表現を前記受信ニューラルネットワークへの入力として提供するステップと、
前記受信ニューラルネットワークで、前記受信ニューラルネットワークへの前記入力に基づいて前記予測将来のＣＳＩ推定値を生成するステップと、および
前記予測将来のＣＳＩ推定値に基づいて、前記第１の装置で少なくとも１つの多入力多出力（ＭＩＭＯ）プロセスを管理するステップと、を含む、コンピュータが実装する方法。
【請求項9】
前記予測将来のＣＳＩ推定値を生成するステップは、さらに、前記受信ニューラルネットワークへの入力として提供される前記第１の装置の多入力多出力（ＭＩＭＯ）プロセスのスケジューリング待ち時間の表現にさらに基づいて、前記受信ニューラルネットワークで前記予測将来のＣＳＩ推定値を生成するステップを含む、請求項８に記載の方法。
【請求項10】
前記ニューラルネットワークアーキテクチャ構成は、前記スケジューリング待ち時間に基づいて、複数の候補ニューラルネットワークアーキテクチャ構成から前記受信ニューラルネットワークについて選択される、請求項９に記載の方法。
【請求項11】
前記予測将来のＣＳＩ推定値を生成するステップは、前記第１の装置の１つまたは複数のセンサから前記受信ニューラルネットワークに入力されるセンサデータにさらに基づいて、前記受信ニューラルネットワークで前記予測将来のＣＳＩ推定値を生成するステップを含む、請求項８に記載の方法。
【請求項12】
前記ニューラルネットワークアーキテクチャ構成は、前記第１の装置の前記少なくとも１つの能力、または前記第１の装置の現在の信号伝播環境のうちの少なくとも１つに基づいて、複数のニューラルネットワークアーキテクチャ構成から選択される、請求項１に記載の方法。
【請求項13】
前記ニューラルネットワークアーキテクチャ構成の前記指示を受信するステップは、前記第１の装置にローカルに記憶される複数の候補ニューラルネットワークアーキテクチャ構成のうちの１つに関連付けられる識別子を受信するステップと、または
前記ニューラルネットワークアーキテクチャ構成のパラメータを表す１つまたは複数のデータ構造を受信するステップとのうちの少なくとも１つを含む、請求項１に記載の方法。
【請求項14】
前記第１の装置の送信ニューラルネットワークでＣＳＩパイロット信号を生成するステップと、および前記第１の装置の前記ＲＦアンテナインターフェースを制御して、前記第２の装置による受信のために前記ＣＳＩパイロット信号を表す第２のＲＦ信号を送信するステップをさらに含む、請求項８に記載の方法。
【請求項15】
前記ＣＳＩパイロット信号を生成するステップは、前記ＣＳＩ推定値に関連するチャネルの搬送波周波数、前記第１の装置の前記ＲＦアンテナインターフェースの少なくとも１つの動作パラメータ、または、前記第１の装置の１つまたは複数のセンサからのセンサデータ、または、前記ＣＳＩ推定値に関連付けられるチャネルの搬送波周波数のうちの少なくとも１つにさらに基づいて前記送信ニューラルネットワークで前記ＣＳＩパイロット信号を生成するステップを含む、請求項１４に記載の方法。
【請求項16】
前記予測将来のＣＳＩ推定値を生成するステップは、前記送信ニューラルネットワークにおいて、前記第１の装置の１つまたは複数のセンサからのセンサデータ、または前記予測将来のＣＳＩ推定値に関連するチャネルの搬送波周波数の少なくとも１つに基づいて予測将来のＣＳＩ推定値を生成するステップをさらに含む、請求項８に記載の方法。
【請求項17】
前記少なくとも１つのＭＩＭＯプロセスは、ビームフォーミングプロセス、時空符号化プロセス、またはマルチユーザＭＩＭＯプロセスの少なくとも一つを含む、請求項８に記載の方法。
【請求項18】
前記少なくとも１つの能力は、処理能力、電力能力、またはセンサ能力の少なくとも一つを含む、請求項１に記載の方法。
【請求項19】
無線周波数（ＲＦ）アンテナインターフェースと、前記ＲＦアンテナインターフェースに結合される少なくとも１つのプロセッサと、および
実行可能命令を記憶するメモリと、を含み、前記実行可能命令は、前記少なくとも１つのプロセッサを操作して、請求項１～１８のいずれか１項に記載の方法を実行するように構成される、装置。
【請求項20】
少なくとも１つのプロセッサを操作して請求項１～１８のいずれか１項に記載の方法を実行させるプログラム。
【国際調査報告】