特表 2024-546185 人工知能／機械学習（ＡＩ／ＭＬ）モデルを管理する方法及びシステム

(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】2024-12-17

(54)【発明の名称】人工知能／機械学習（ＡＩ／ＭＬ）モデルを管理する方法及びシステム

(51)【国際特許分類】

   H04W 24/02 20090101AFI20241210BHJP

   H04W 8/22 20090101ALI20241210BHJP

   H04W 28/18 20090101ALI20241210BHJP

   G06N 20/00 20190101ALI20241210BHJP

【ＦＩ】

H04W24/02

H04W8/22

H04W28/18

G06N20/00

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024539022

(86)(22)【出願日】2023-03-10

(85)【翻訳文提出日】2024-06-26

(86)【国際出願番号】 US2023014938

(87)【国際公開番号】W WO2023211572

(87)【国際公開日】2023-11-02

(31)【優先権主張番号】63/335,916

(32)【優先日】2022-04-28

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】PCT/US2022/026646

(32)【優先日】2022-04-28

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】17/795,400

(32)【優先日】2022-07-26

(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】319010088

【氏名又は名称】楽天モバイル株式会社

(74)【代理人】

【識別番号】100109380

【弁理士】

【氏名又は名称】小西 恵

(74)【代理人】

【識別番号】100109036

【弁理士】

【氏名又は名称】永岡 重幸

(74)【代理人】

【識別番号】100188879

【弁理士】

【氏名又は名称】渡邉 未央子

(72)【発明者】

【氏名】ムハンマド，アウン

(72)【発明者】

【氏名】北川 幸一郎

(72)【発明者】

【氏名】李 泰雨

【テーマコード（参考）】

5K067

【Ｆターム（参考）】

5K067AA21

5K067DD11

5K067EE02

5K067EE10

(57)【要約】

通信システムにおいて人工知能／機械学習（ＡＩ／ＭＬ）を管理するための方法及びシステムが提供される。実施形態によれば、通信システムにおけるエアインターフェース最適化のためのＡＩ／ＭＬを実装する方法が提供される。当該方法は、第１のノードによって、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定することと、第２のノードによって、決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用してＵＥに関してエアインターフェース最適化を実行することと、を含んでよい。複数の所定の協調レベルは、ネットワークとＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、モデル転送を伴わないネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベルと、モデル転送を伴うネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルとを含む。

【特許請求の範囲】

【請求項1】

モバイル通信システムにおけるエアインターフェース最適化のための人工知能／機械学習（ＡＩ／ＭＬ）を実装する方法であって、前記方法は、
第１のノードによって、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定することと、
第２のノードによって、前記決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用して前記ＵＥに関してエアインターフェース最適化を実行することと、を有し、
前記複数の所定の協調レベルは、
前記ネットワークと前記ＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、
モデル転送なしの前記ネットワークと前記ＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベルと、
モデル転送を伴う前記ネットワークと前記ＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルとを含む、方法。

【請求項2】

前記第２のレベルに従って、前記ネットワークと前記ＵＥの両方でＡＩ／ＭＬモデル訓練が行われる、請求項１に記載の方法。

【請求項3】

前記第２のレベルに従って、前記ネットワークがＡＩ／ＭＬモデル及び／又は推論調整パラメータを前記ＵＥに提供する、請求項１に記載の方法。

【請求項4】

前記第２のレベルは、複数の分割レベルを含み、
前記複数の分割レベルのうちの第１の分割レベルは、前記ＵＥと前記ネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応し、
前記複数の分割レベルのうちの第２の分割レベルは、前記ＵＥと前記ネットワークとにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応する、請求項１に記載の方法。

【請求項5】

前記第２のレベルは、前記ＵＥと前記ネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応し、
前記第３のレベルは、前記ＵＥと前記ネットワークにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応する、請求項１に記載の方法。

【請求項6】

前記モデル転送が、ＡＩ／ＭＬモデル構造のパラメータの転送、又はパラメータを有する新しいＡＩ／ＭＬモデルの転送のうちの少なくとも１つを含み、前記新しいＡＩ／ＭＬモデルがフルモデル又は部分モデルである、請求項１に記載の方法。

【請求項7】

前記協調レベルを前記決定することは、
前記第１のノードによって、前記ＵＥのＡＩ／ＭＬ能力を問い合わせるＡＩ／ＭＬ能力要求を前記ＵＥに送信することと、
前記第１のノードによって、前記ＡＩ／ＭＬ能力要求に応答してＡＩ／ＭＬ能力報告を前記ＵＥから受信することであって、前記ＡＩ／ＭＬ能力報告が前記ＵＥの前記ＡＩ／ＭＬ能力を示す、ことと、
前記受信したＡＩ／ＭＬ能力報告に基づいて、前記複数の所定の協調レベルの中から、前記協調レベルを決定することと、を含む、請求項１に記載の方法。

【請求項8】

前記第１のノードによって、前記ＵＥに記憶されたＡＩ／ＭＬモデル又は前記ＵＥによって使用されるＡＩ／ＭＬモデルのうちの少なくとも１つに関する情報を求める要求を前記ＵＥに送信することを更に含む、請求項１に記載の方法。

【請求項9】

前記エアインターフェース最適化が、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、及び測位精度強化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10】

前記第２のレベルに従って、フルスケールＡＩ／ＭＬモデル訓練が前記ＵＥにおいて行われ、
前記第３のレベルに従って、軽量ＡＩ／ＭＬモデル訓練が前記ＵＥにおいて行われる、請求項１に記載の方法。

【請求項11】

モバイル通信システムにおけるエアインターフェース最適化のための人工知能／機械学習（ＡＩ／ＭＬ）を実装するシステムであって、前記システムは、
命令を記憶するメモリと、前記命令を実行して、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定するように構成された少なくとも１つのプロセッサとを備える第１のノードと、
命令を記憶するメモリと、前記命令を実行して、前記決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用して前記ＵＥに関してエアインターフェース最適化を実行するように構成された少なくとも１つのプロセッサとを備える第２のノードと、を含み、
前記複数の所定の協調レベルは、
前記ネットワークと前記ＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、
モデル転送なしの前記ネットワークと前記ＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベルと、
モデル転送を伴う前記ネットワークと前記ＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルとを含む、システム。

【請求項12】

前記第２のレベルに従って、ＡＩ／ＭＬモデル訓練が前記ネットワークと前記ＵＥの両方で行われる、請求項１１に記載のシステム。

【請求項13】

前記第２のレベルに従って、前記ネットワークがＡＩ／ＭＬモデル及び／又は推論調整パラメータを前記ＵＥに提供する、請求項１１に記載のシステム。

【請求項14】

前記第２のレベルは、複数の分割レベルを含み、
前記複数の分割レベルのうちの第１の分割レベルは、前記ＵＥと前記ネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応し、
前記複数の分割レベルのうちの第２の分割レベルは、前記ＵＥと前記ネットワークとにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応する、請求項１１に記載のシステム。

【請求項15】

前記第２のレベルは、前記ＵＥと前記ネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応し、
前記第３のレベルは、前記ＵＥ及び前記ネットワークにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応する、請求項１１に記載のシステム。

【請求項16】

前記モデル転送が、ＡＩ／ＭＬモデル構造のパラメータの転送、又はパラメータを有する新しいＡＩ／ＭＬモデルの転送のうちの少なくとも１つを含み、前記新しいＡＩ／ＭＬモデルがフルモデル又は部分モデルである、請求項１１に記載のシステム。

【請求項17】

前記第１のノードの前記少なくとも１つのプロセッサは、前記命令を実行して、
前記第１のノードによって、前記ＵＥのＡＩ／ＭＬ能力を問い合わせるＡＩ／ＭＬ能力要求を前記ＵＥに送信することと、
前記第１のノードによって、前記ＡＩ／ＭＬ能力要求に応答してＡＩ／ＭＬ能力報告を前記ＵＥから受信することであって、前記ＡＩ／ＭＬ能力報告が前記ＵＥの前記ＡＩ／ＭＬ能力を示す、ことと、
前記受信したＡＩ／ＭＬ能力報告に基づいて、前記複数の所定の協調レベルの中から、前記協調レベルを決定することと、
により、前記協調レベルを決定するように構成される、請求項１１に記載のシステム。

【請求項18】

前記第１のノードの前記少なくとも１つのプロセッサは、前記命令を実行して、前記ＵＥに記憶されたＡＩ／ＭＬモデル又は前記ＵＥが使用するＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求を前記ＵＥに送信するように更に構成される、請求項１１に記載のシステム。

【請求項19】

前記エアインターフェース最適化が、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、及び測位精度強化のうちの少なくとも１つを含む、請求項１１に記載のシステム。

【請求項20】

前記第２のレベルに従って、フルスケールＡＩ／ＭＬモデル訓練が前記ＵＥにおいて行われ、及び
前記第３のレベルに従って、軽量ＡＩ／ＭＬモデル訓練が前記ＵＥにおいて行われる、請求項１１に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本出願は、２０２２年４月２８日に米国特許商標局（ＵＳＰＴＯ）に出願された「ＡＩ／ＭＬ ＭＯＤＥＬ ＬＩＦＥ ＣＹＣＬＥ ＭＡＮＡＧＥＭＥＮＴ」と題する米国仮特許出願第６３／３３５，９１６号の利益を主張するものであり、２０２２年４月２８日に出願された国際出願第ＰＣＴ／ＵＳ２０２２／０２６６４６号の国内段階として２０２２年７月２６日に出願された米国特許出願第１７／７９５，４００号の利益を主張するものであり、上記した出願の開示内容はその全体が参照により本明細書に組み込まれる。

【0002】

本開示の例示的な実施形態と一致する方法及びシステムは、人工知能（ＡＩ：Artificial Intelligence）／機械学習（ＭＬ：Machine Learning）モデルを管理することに関し、より具体的には、通信システムにおけるノード間の協調を管理すること、及びそのためのＡＩ／ＭＬモデルライフサイクル管理に関する。

【背景技術】

【0003】

近年、通信システムにおいてＡＩ／ＭＬを実装することに対する関心が高まっている。それにもかかわらず、通信システムにおいてＡＩ／ＭＬモデルを管理及び／又は利用するためのフレームワーク及び手法は、今日まで不明確かつ不明なままである。特に、ＡＩ／ＭＬモデルを管理及び／又は利用する際の通信システム内のノード（例えば、ユーザ機器、基地局、ネットワーク機能など）間の協調、ならびにＡＩ／ＭＬモデルのライフサイクル管理を提供するための手法は、不明確かつ未定義のままである。

【0004】

上記を考慮して、通信システムにおけるノード間の協調又は連携に関連するフレームワーク及び手順を定義する必要がある。例えば、モデル情報交換、モデル訓練、モデル性能フィードバックの提供、ノード間でのモデルの開始又は転送などのためのフレームワーク及び手順を定義する必要がある。

【0005】

更に、ノード間の協調又は連携を実現するために、ノードのＡＩ／ＭＬ能力に従って手順及びシグナリングプロトコル又はフローを定義する必要がある。同様に、ＡＩ／ＭＬ能力を定義又は分類すること、ならびにＡＩ／ＭＬモデル訓練を分類することが必要である。

【発明の概要】

【0006】

実施形態によれば、通信システムにおけるノード間の協調（collaboration）を容易にするためのシステム及び方法が提供される。具体的には、実施形態によれば、エアインターフェース（air interfaces）の最適化のためのＡＩ／ＭＬを実装するための通信システム内のノード間の協調、及びそのためのＡＩ／ＭＬモデルのライフサイクル管理を容易にするためのシステム及び方法が提供される。実施形態によれば、ＡＩ／ＭＬモデル／推論を連携させて使用する（usage in a cooperative manner）ためのシステム及び方法が提供され、より具体的には、通信システムのエアインターフェースを最適化するためのＡＩ／ＭＬモデル／推論を使用するためのシステム及び方法が提供される。

【0007】

実施形態によれば、モバイル通信システムにおけるエアインターフェース最適化のための人工知能／機械学習（ＡＩ／ＭＬ）を実装する方法を提供することができる。本方法は、第１のノードによって、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定することと、第２のノードによって、決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用してＵＥに関してエアインターフェース最適化を実行することを含み得る。複数の所定の協調レベルは、ネットワークとＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、モデル転送を伴わないネットワークとＵＥとの間のシグナリングベース（signaling-based）のＡＩ／ＭＬ協調に対応する第２のレベルと、モデル転送を伴うネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルとを含み得る。

【0008】

実施形態によれば、第２のレベルに従って、ＡＩ／ＭＬモデル訓練（training）は、ネットワークとＵＥの両方で行われてもよい。

【0009】

実施形態によれば、第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデル及び／又は推論調整（inference tuning）パラメータをＵＥに提供することができる。

【0010】

実施形態によれば、第２のレベルは、複数の分割レベル（split levels、スプリットレベル）を含むことができる。複数の分割レベルのうちの第１の分割レベルは、ＵＥとネットワークとにわたって共同で実行される共同推論（joint inference performed jointly）なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。複数の分割レベルのうちの第２の分割レベルは、ＵＥ及びネットワークにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0011】

代替的に（上記の構成の代わりに）又は追加的に（上記の構成に加えて）、第２のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第３のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0012】

実施形態によれば、モデル転送は、ＡＩ／ＭＬモデル構造のパラメータの転送又はパラメータを有する新しいＡＩ／ＭＬモデルの転送のうちの少なくとも１つを含んでもよく、新しいＡＩ／ＭＬモデルは、フルモデル又は部分モデルであってもよい。

【0013】

実施形態によれば、協調レベルを決定することは、第１のノードによって、ＵＥのＡＩ／ＭＬ能力について問い合わせるＡＩ／ＭＬ能力要求（capability request、能力についての問い合わせ・リクエスト）をＵＥに送信することと、第１のノードによって、ＡＩ／ＭＬ能力要求に応答してＡＩ／ＭＬ能力報告をＵＥから受信することを含み得る。ＡＩ／ＭＬ能力報告はＵＥのＡＩ／ＭＬ能力を示す。協調レベルを決定することはさらに、受信したＡＩ／ＭＬ能力報告に基づいて、複数の所定の協調レベルの中から協調レベルを決定することを含み得る。

【0014】

実施形態によれば、本方法は、第１のノードによって、ＵＥに記憶されたＡＩ／ＭＬモデル又はＵＥによって使用されるＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求（問い合わせ、リクエスト）をＵＥに送信することを更に含むことができる。

【0015】

実施形態によれば、エアインターフェース最適化は、チャネル状態情報（ＣＳＩ：Channel State Information）フィードバック強化、ビーム管理（beam management）、及び測位精度強化（positioning accuracy enhancement）のうちの少なくとも１つを含み得る。

【0016】

実施形態によれば、第２のレベルに従って、フルスケールＡＩ／ＭＬモデル訓練がＵＥで行われてもよい。また、第３のレベルに従って、軽量ＡＩ／ＭＬモデル訓練がＵＥで行われてもよい。

【0017】

実施形態によれば、モバイル通信システムにおけるエアインターフェース最適化のための人工知能／機械学習（ＡＩ／ＭＬ）を実装するシステムを提供することができる。システムは、命令（instructions）を記憶するメモリと、命令を実行して、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定するように構成された少なくとも１つのプロセッサとを備える第１のノードと、命令を記憶するメモリと、命令を実行して、決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用してＵＥに関してエアインターフェース最適化を実行するように構成された少なくとも１つのプロセッサと、を備える第２のノードと、を含み得る。複数の所定の協調レベルは、ネットワークとＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、モデル転送を伴わないネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベルと、モデル転送を伴うネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルと、を含み得る。

【0018】

実施形態によれば、第２のレベルに従って、ＡＩ／ＭＬモデル訓練は、ネットワークとＵＥの両方で行われてもよい。

【0019】

実施形態によれば、第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデル及び／又は推論調整パラメータ（AI/ML model and/or inference tuning parameters）をＵＥに提供することができる。

【0020】

実施形態によれば、第２のレベルは、複数の分割レベルを含むことができる。複数の分割レベルのうちの第１の分割レベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。複数の分割レベルのうちの第２の分割レベルは、ＵＥ及びネットワークにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0021】

代替的又は追加的に、第２のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第３のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論を伴う両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0022】

実施形態によれば、モデル転送は、ＡＩ／ＭＬモデル構造のパラメータの転送又はパラメータを有する新しいＡＩ／ＭＬモデルの転送のうちの少なくとも１つを含んでもよく、新しいＡＩ／ＭＬモデルは、フルモデル又は部分モデルであってもよい。

【0023】

実施形態によれば、第１のノードの少なくとも１つのプロセッサは、第１のノードによって、ＵＥのＡＩ／ＭＬ能力を問い合わせるＡＩ／ＭＬ能力要求をＵＥに送信すること、第１のノードによって、ＡＩ／ＭＬ能力要求に応答してＡＩ／ＭＬ能力報告をＵＥから受信することであって、ＡＩ／ＭＬ能力報告は、ＵＥのＡＩ／ＭＬ能力を示すことができる、ことと、受信したＡＩ／ＭＬ能力報告に基づいて、複数の所定の協調レベルの中から協調レベルを決定することにより、協調レベルを決定するための命令を実行するように構成され得る。

【0024】

実施形態によれば、第１のノードの少なくとも１つのプロセッサは、命令を実行して、ＵＥに記憶されたＡＩ／ＭＬモデル又はＵＥによって使用されるＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求をＵＥに送信するように更に構成され得る。

【0025】

実施形態によれば、エアインターフェース最適化は、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、及び測位精度強化のうちの少なくとも１つを含み得る。

【0026】

実施形態によれば、第２のレベルによれば、フルスケールＡＩ／ＭＬモデル訓練がＵＥで行われてもよく、第３のレベルによれば、軽量ＡＩ／ＭＬモデル訓練がＵＥで行われてもよい。

【0027】

更なる態様は、以下の説明に部分的に記載され、部分的には、以下の説明から明らかになるか、又は本開示の提示された実施形態の実施によって実現され得る。

【0028】

添付の図面を参照しながら本開示の例示的な実施形態の特徴、利点（効果）、及び重要性を以下に説明する。図面において、同様の符号は同様の要素を示す。

【図面の簡単な説明】

【0029】

【図1】１つ又は複数の実施形態による、無線アクセスネットワーク（ＲＡＮ：Radio Access Network）におけるＡＩ／ＭＬアプリケーションのための機能システムアーキテクチャ又はフレームワークを示す図である。

【図2】１つ又は複数の実施形態による、モバイル通信システムにおけるエアインターフェース最適化のためのＡＩ／ＭＬを実装する例示的な方法のフロー図である。

【図3】１つ又は複数の実施形態による、協調レベルを決定する例示的な方法のフロー図である。

【図4】１つ又は複数の実施形態による、１つ又は複数のＡＩ／ＭＬモデルのライフサイクル管理に関連する（ライフサイクル管理で実行される）手順の例を示す図である。

【図5】１つ又は複数の実施形態による、協調ＡＩ／ＭＬモデル使用のための第１のノードと第２のノードとの間のシグナリングフローを示す図である。

【図6】１つ又は複数の実施形態による、ＡＩ／ＭＬモデル訓練のカテゴリの内訳を示す図である。

【発明を実施するための形態】

【0030】

更なる態様は、以下の説明に部分的に記載され、部分的には、以下の説明から明らかになるか、又は本開示の提示された実施形態の実施によって実現され得る。

【0031】

例示的な実施形態の以下の詳細な説明は、添付の図面を参照する。異なる図面における同じ参照符号は、同じ又は類似の要素を識別し得る。

【0032】

前述の開示は、例示及び説明を提供するが、網羅的であることを意図するものではなく、又は実装形態（実施）を開示された構成（形態）そのものに限定することを意図するものではない。変更及び変形は、上記の開示に照らして可能であり、又は実装形態の実施から成し得る。更に、一実施形態の１つ若しくは複数の特徴又は１つ若しくは複数のコンポーネントは、別の実施形態（又は別の実施形態の１つ又は複数の特徴）に組み込まれてもよく、又は別の実施形態（又は別の実施形態の１つ又は複数の特徴）と組み合わせられてもよい。加えて、以下に提供される動作（operations）の説明では、１つ又は複数の動作が省略されてもよく、１つ又は複数の動作が追加されてもよく、１つ又は複数の動作が（少なくとも部分的に）同時に実行されてもよく、１つ又は複数の動作の順序が差し替えられても（変更されても）よいことが理解される。

【0033】

本明細書に記載のシステム及び／又は方法は、ハードウェア、ファームウェア、又はハードウェアとソフトウェアの組合せの様々な形態で実装されてもよいことは明らかであろう。これらのシステム及び／又は方法を実装するために使用される実際の専用の制御ハードウェア又はソフトウェアコードは、実装形態を限定するものではない。したがって、本明細書では特定のソフトウェアコードを参照せずにシステム及び／又は方法の動作及び挙動を説明した。本明細書の説明に基づいてシステム及び／又は方法を実装するようにソフトウェアとハードウェアが設計され得ることは理解される。

【0034】

特徴の特定の組合せが、本明細書で開示されるとしても、当該組合せは、可能な実装形態の開示を限定することを意図していない。実際、これら特徴の多くは、本明細書に具体的に開示されていない方法・構成・手順で組み合わされてもよい。

【0035】

本明細書で使用されている要素、動作、又は命令は、明示的に説明されていない限り、重要又は必須であると解釈されるべきではない。また、本明細書で使用されている冠詞「ａ」及び「ａｎ」は、１つ又は複数の項目（要素、動作、命令、ノード、モジュール、機能、エンティティ、部品、部、構成、工程）を含むことを意図しており、「１つ又は複数」と同義に使用され得る。１つの項目のみが意図される場合は、「１つ」という用語又は同様の文言を使用する。また、本明細書で使用されている「有する（has）」、「有する（have）」、「有している（having）」、「含む（include）」、「含んでいる（including）」などの用語は、非限定的な用語（記載されているもの以外も有し得るまたは含み得るという意味）であることを意図している。更に、「に基づいて」という語句は、特に別段明記されていない限り、「に少なくとも部分的に基づいて」を意味することを意図している。更に、「［Ａ］及び［Ｂ］のうちの少なくとも１つ」や「［Ａ］又は［Ｂ］のうちの少なくとも１つ」などの表現は、Ａのみ、Ｂのみ、又はＡとＢの両方を含むと理解されるべきである。

【0036】

更に、本明細書で使用される「ＡＩ／ＭＬモデル」などの用語は、人工知能（ＡＩ）／機械学習（ＭＬ）技術を適用して１つ又は複数の入力に基づいて１つ又は複数の出力を生成するデータ駆動（data driven）アルゴリズムを指すことができる。

【0037】

一般的なシステムアーキテクチャ
図１は、１つ又は複数の実施形態による、無線アクセスネットワーク（ＲＡＮ）におけるＡＩ／ＭＬアプリケーションのための機能システムアーキテクチャ又はフレームワークを示す。図１を参照すると、システム１００は、データ収集モジュール１１０、モデル訓練（training）モジュール１２０、モデル推論モジュール１３０、及びアクタ（actor）モジュール１４０を含むことができる。

【0038】

実施形態によれば、データ収集モジュール１１０は、データを収集し、データをモデル訓練モジュール１２０及びモデル推論モジュール１３０に提供する機能（又は機能を実行するように構成された要素／エンティティ）であってもよい。

【0039】

例えば、データ収集モジュール１１０は、（これらに限定されないが）ユーザ機器（ＵＥ：User Equipment）、基地局（例えば、ｇＮＢ）、位置管理機能（ＬＭＦ：Location Management Function）、アクセス及びモビリティ管理機能（ＡＭＦ：Access and Mobility Management Function）、ならびに運用及び管理（ＯＡＭ：Operation And Management）機能又はエンティティなどのシステム内の１つ又は複数のノード及び／又は１つ又は複数のネットワーク機能からデータを収集することができる。収集されたデータは、１つ又は複数のノード及び／又は１つ又は複数のネットワーク機能からの測定データ（例えば、状態測定データ・結果、性能測定データ・結果など）、アクタモジュール１４０からのフィードバックデータ、ＡＩ／ＭＬモデルからの出力データ、及び任意の他の適切なデータを含むことができる。

【0040】

更に、データ収集モジュール１１０は、収集されたデータをモデル訓練モジュール１２０に提供することができ、その結果、前記データはＡＩ／ＭＬモデルを訓練するために利用することができる（この点に関して、モデル訓練モジュール１２０に提供されるデータは、本明細書では「訓練データ」と呼ぶことができる）。実施形態によれば、訓練データは、オフラインフィールドデータ（例えば、フィールド（現場）から収集され、ＡＩ／ＭＬモデルのオフライン訓練に使用されるデータ）及びオンラインフィールドデータ（例えば、フィールドから収集され、ＡＩ／ＭＬモデルのオンライン訓練に使用されるデータ）を含むことができる。

【0041】

更に、データ収集モジュール１１０は、収集されたデータをモデル推論モジュール１３０に提供することができ、その結果、当該データは推論動作・推論演算に利用することができる（この点に関して、モデル推論モジュール１３０に提供されるデータは、本明細書では「推論データ」と呼ぶことができる）。

【0042】

実施形態によれば、データ収集モジュール１１０は、（限定はしないが）データ前処理、データクリーニング、データフォーマット処理（data formatting）、及びデータ変換などの１つ又は複数のデータ準備動作（data preparation operations、データ準備処理・演算）を実行するように構成された１つ又は複数の追加モジュールに通信可能に結合することができ、当該１つ又は複数の追加モジュールからデータを収集するように構成することができる。他の実施形態によれば、データ収集モジュール１１０は、当該１つ又は複数のデータ準備動作を実行するように構成されてもよい。

【0043】

更に、実施形態によれば、モデル訓練モジュール１２０は、１つ又は複数のＡＩ／ＭＬモデルの訓練動作を実行する機能（又は機能を実行するように構成された要素／エンティティ）であってもよい（本明細書では「ＡＩ／ＭＬモデル訓練」と呼ぶことができる）。ＡＩ／ＭＬモデル訓練は、データ駆動方式（data driven manner）で入出力関係を学習することによって１つ又は複数のＡＩ／ＭＬモデルを訓練し、そこから訓練されたＡＩ／ＭＬモデルを取得するプロセスを指すことができる。更に、ＡＩ／ＭＬモデル訓練は、オンライン及び／又はオフラインで実行されてもよく、ＵＥ及び／又はネットワークで実行されてもよい。

【0044】

実施形態によれば、ＡＩ／ＭＬモデル訓練は、ＡＩ／ＭＬモデル検証（validation）及び／又はＡＩ／ＭＬモデル試験を含み得る。ＡＩ／ＭＬモデル検証は、モデル訓練に使用されるデータセットとは異なるデータセットを使用してＡＩ／ＭＬモデルの品質を評価するプロセスであり得、ＡＩ／ＭＬモデル試験は、モデル訓練及び検証に使用されるデータセットとは異なるデータセットを使用して最終的なＡＩ／ＭＬモデルの性能を評価するプロセスであり得る。

【0045】

例えば、モデル訓練モジュール１２０は、データ（例えば、訓練データなど）又は情報（データ収集モジュール１１０からなど）を取得又は要求し、要求されたデータ又は情報を受信し、モデル訓練、モデル検証、及びモデル試験のうちの１つ又は複数を実行するために（受信したデータ又は情報に基づいて）１つ又は複数のＡＩ／ＭＬアルゴリズムを実行するように構成され得る。更に、モデル訓練モジュール１２０は、モデル推論モジュール１３０に、１つ又は複数の訓練されたモデル（訓練済みモデル）、検証されたモデル（検証済みモデル）、及び／又は試験されたモデル（試験済みモデル）を提供又は展開するように構成することができる。

【0046】

実施形態によれば、モデル訓練モジュール１２０は、モデル試験動作（model testing operation）を介してモデル性能測定基準（model performance metrics）を生成するように構成することができる。また、モデル訓練モジュール１２０は、データ収集モジュール１１０によって提供された訓練データに基づいて、１つ又は複数のデータ準備動作を実行するように構成することができる。更に、モデル訓練モジュール１２０は、（他のモジュール又はエンティティから）１つ又は複数の訓練済みモデル、１つ又は複数の検証済みモデル、及び／又は１つ又は複数の試験済みモデルを受信し、当該１つ又は複数の訓練済みモデル、当該１つ又は複数の検証済みモデル、及び／又は当該１つ又は複数の試験済みモデルを更新（updata）、アップグレード、及び／又はロールバックするように構成することができる。

【0047】

一方、実施形態によれば、モデル推論モジュール１３０は、ＡＩ／ＭＬモデルに関連付けられた１つ又は複数の推論動作を実行する機能（又はその機能を実行するように構成された要素／エンティティ）であってもよい（本明細書では「ＡＩ／ＭＬモデル推論」と呼ぶことがある）。ＡＩ／ＭＬモデル推論は、訓練されたＡＩ／ＭＬモデルを使用して、１つ又は複数の入力に基づいて１つ又は複数の出力を生成するプロセスであり得る。例えば、ＡＩ／ＭＬモデル推論は、訓練されたＡＩ／ＭＬモデル及び推論データを利用して、訓練されたＡＩ／ＭＬモデルの１つ又は複数の出力を予測又は決定する１つ又は複数の動作を含み得る。

【0048】

一例として、モデル推論モジュール１３０は、データ（例えば、推論データ、ＡＩ／ＭＬモデルなど）又は情報（データ収集モジュール１１０から、モデル訓練モジュール１２０からなど）を取得又は要求し、要求されたデータ又は情報を受信し、受信されたデータ又は情報に基づいて１つ又は複数のＡＩ／ＭＬモデル推論を実行するように構成されてもよい。実施形態によれば、モデル推論モジュール１３０は、データ収集モジュール１１０によって提供された推論データに基づいて、（例えば、モデル訓練モジュール１２０などによって提供される）１つ又は複数の訓練されたモデル、１つ又は複数の検証されたモデル、及び／又は１つ又は複数の試験されたモデルに対して前記１つ又は複数の推論動作を実行するように構成することができる。

【0049】

更に、モデル推論モジュール１３０は、１つ又は複数の推論出力をアクタモジュール１４０に提供するように構成することができる。実施形態によれば、モデル推論モジュール１３０は、ＡＩ／ＭＬモデルの性能を監視し、ＡＩ／ＭＬモデルの性能（本明細書では「モデル性能フィードバック（データ、情報）」と呼ぶことができる）をモデル訓練モジュール１２０に提供するように構成することができ、その結果、モデル訓練モジュール１２０は、モデル訓練、モデル検証、及びモデル試験のうちの１つ又は複数を実行する際にモデル性能フィードバック（データ、情報）を利用することができる。

【0050】

実施形態によれば、モデル推論モジュール１３０は、データ収集モジュール１１０によって提供された推論データに基づいて、１つ又は複数のデータ準備動作を実行するように構成することができる。更に、モデル推論モジュール１３０は、モデルの推論出力を、推論出力を要求したノード、及び／又は推論出力に基づいて動作を行うノードにシグナリングするように構成することができる。

【0051】

更に、実施形態によれば、アクタモジュール１４０は、モデル推論モジュール１３０によって提供される推論出力に基づいて１つ又は複数の動作（actions）を実行する機能（又は機能を実行するように構成された要素／エンティティ）であってもよい。例えば、アクタモジュール１４０は、他のエンティティ（例えば、他のモジュール、他のノード、他の機能など）及び／又はそれ自体（アクタモジュール１４０）に向けられた１つ又は複数の動作をトリガ又は実行するように構成することができる。更に、アクタモジュール１４０は、フィードバックデータ又は情報をデータ収集モジュール１１０に提供するように構成されてもよい。フィードバックデータ又は情報は、訓練データ、推論データを導出する際、及び／又はＡＩ／ＭＬモデルの性能及びネットワークへの影響を監視する際に利用され得る任意の適切なデータを含み得る。

【0052】

上述の例示的な実施形態は可能な実施形態にすぎず、本開示の範囲はそれらに限定されるべきではないと考えられる。更に、システム１００内のモジュール１１０～１４０のうちの１つ又は複数は、ソフトウェア形態、ハードウェア形態、又はそれらの組合せで実装又は展開することができると考えられる。実施形態によれば、モジュール１１０～１４０のうちの１つ又は複数は、少なくとも１つのプロセッサによって読み取られるか又は実行されると、当該少なくとも１つのプロセッサに、前記モジュールに関連する１つ又は複数の動作を実行させるコンピュータ可読命令及び／又はコンピュータ実行可能命令の形態で実装又は展開され得る。

【0053】

この目的のために、システム１００は、ＲＡＮ内の１つ又は複数のＡＩ／ＭＬモデルのインテリジェンス及びデータを管理するためのフレームワークを提供する。したがって、システム１００（及び関連するアーキテクチャ）は、通信システムにおける様々な目的のために利用することができる。例えば、１つ又は複数の例示的な実施形態は、通信システム内のエアインターフェースのＡＩ／ＭＬ最適化のためにシステム１００を適用することができる。１つ又は複数の実施形態では、エアインターフェースは５Ｇ Ｎｅｗ Ｒａｄｉｏ（ＮＲ）エアインターフェースであり、エアインターフェースの最適化は、チャネル状態情報（ＣＳＩ）フィードバックの強化、ビーム管理、測位精度の強化、及び任意の他の適切なエアインターフェース関連の動作及び機能・特徴の最適化を含み得る。更に、システム１００は、任意の他の可能なユースケース（例えば、ネットワークのエネルギー節約、負荷分散（load balancing）、モビリティ最適化など）で利用されてもよいことも考えられる。

【0054】

ＡＩ／ＭＬ利用の連携レベルの分類
例示的な実施形態によれば、ユーザ機器（ＵＥ）、基地局（例えば、ｇＮＢ）、位置管理機能（ＬＭＦ）、アクセス及びモビリティ管理機能（ＡＭＦ）、ならびに運用及び管理（ＯＡＭ）機能などの通信システムにおけるネットワークノード及び／又はネットワーク機能間のＡＩ／ＭＬ協調（collaboration）又は連携（cooperation）の複数の所定のレベル又はカテゴリが提供される（例えば、通信システムがこれらを適用したり又は標準化する）。

【0055】

以下の表１は、一実施形態による、ＡＩ／ＭＬ標準化及びｇＮＢ／ＵＥ能力に関する複数の所定のレベルのＡＩ／ＭＬ協調又は連携の一例を示す。

【表1】

【0056】

表１は、ＵＥとｇＮＢとの間の例示的な協調及び例示的な協調における関連するロールを示しているが、同様の開示（協調及びロール）は、本開示の範囲から逸脱することなく、ＵＥと任意の適切なネットワーク（例えば、ｇＮＢ、及び、ＬＭＦ、ＡＭＦ、ＯＡＭなどのネットワーク機能）との間の協調などに適用可能であり得ることが企図されている。

【0057】

表１に示すように、複数の所定のレベルのＡＩ／ＭＬ連携（又は協調）は、３つのレベル又はカテゴリ、すなわちレベル＃０、レベル＃１、及びレベル＃２（ただし、１つ又は複数の他の実施形態はこれに限定されず、２つのレベルもしくはカテゴリ又は３つを超えるレベルもしくはカテゴリを含むことができることが理解される）を含み得る。

【0058】

第１のレベル＃０では、実装ベース（implementation-based）のＡＩ／ＭＬアルゴリズムが使用される。すなわち、第１のレベル＃０では、ＵＥ及び／又はネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）は、互いに情報交換することなく、１つ又は複数の特定の組み込みＡＩ／ＭＬモデル（built-in AI/ML models）を利用することができる。特定の組み込みＡＩ／ＭＬモデルは、ＵＥのベンダー、ネットワークオペレータなどの任意の適切な人員によって提供されてもよい。実施形態によれば、一方の側で利用されているＡＩ／ＭＬモデルの１つ又は複数は、他方の側に対して透過的（transparent to the other side）である。また、１つ又は複数のＡＩ／ＭＬモデルは、複数の側（例えば、ＵＥ及びネットワークは、同様のベースモデル等を有し得る）に同様に組み込まれたベースモデル（base model）であってもよい。

【0059】

第２のレベル＃１では、情報交換が行われ得る。すなわち、第２のレベル＃１では、ＵＥ及び／又はネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）は、１つ又は複数のＡＩ／ＭＬモデルを互いに転送することなく、情報が交換された１つ又は複数のＡＩ／ＭＬモデルを利用する。例えば、協調がＵＥとｇＮＢとの間である場合、ＵＥ及びｇＮＢは、ＡＩ／ＭＬ使用のための情報を交換することができるが、ＡＩ／ＭＬモデルに関連する特定の動作（例えば、訓練、検証、試験、推論など）は、ＵＥ及び／又はｇＮＢで別々に実行されてもよい。

【0060】

実施形態によれば、ＵＥとネットワークとの間で交換される情報は、ＡＩ／ＭＬモデル及び／又は推論調整（inference tuning）パラメータを含むことができる。これに関して、ＵＥ及び／又はネットワークは、１つ又は複数のＡＩ／ＭＬモデルを訓練し、１つ又は複数のＡＩ／ＭＬモデル及び／又は関連パラメータ（例えば、交換された情報などに基づいて、）を更新し、ＡＩ／ＭＬモデル及び／又は推論調整パラメータを互いに提供するように構成され得る。例えば、アップリンクのユースケースでは、ＵＥは、ｇＮＢが提供されたパラメータ又は情報に基づいてそのＡＩ／ＭＬモデルを調整できるように、ｇＮＢにパラメータ又は情報を提供することができる。別の例として、ＵＥは、ＵＥが利用したい特定の組み込みパラメータ（例えば、ＵＥベンダーなどによって提供される）を有することができ、したがって、ＵＥは、ｇＮＢが前記パラメータを利用することができるように、前記パラメータをｇＮＢに提供することができる。

【0061】

更に、実施形態によれば、第２のレベル＃１は、第１の分割レベル＃１Ａ及び第２の分割レベル＃１Ｂなどの複数の分割レベル（split levels）を含むことができる。第１の分割レベル＃１Ａは、共同動作あり／なしの片側モデル（one-sided model(s)）のシグナリングベース（signaling-based）のＡＩ／ＭＬ協調に対応することができ、第２の分割レベル＃１Ｂは、共同動作あり／なしの両側モデル（two-sided model(s)）のシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0062】

「片側モデル」という用語は、一方で（例えば、訓練された、検証された、試験された、推論されたなど）利用され、他方から独立しているＡＩ／ＭＬモデルを指すことができる。例えば、片側モデルは、ＵＥ側ＡＩ／ＭＬモデル（例えば、ＵＥで推論が実行されるＡＩ／ＭＬモデル）、ネットワーク側モデル（例えば、ネットワークで推論が実行されるＡＩ／ＭＬモデル）などであってもよい。

【0063】

「両側モデル」という用語は、両側で利用される（例えば、訓練された、検証された、試験された、推論されたなど）ＡＩ／ＭＬモデルを指すことができる。例えば、両側モデルは、最初にＵＥで利用され、次にｇＮＢで利用されるＡI／ＭＬモデル、又はその逆のＡＩ／ＭＬモデルであってもよい。

【0064】

「共同動作（joint operation）」という用語は、ノード及び／又はネットワークにわたって共同で実行される１つ又は複数の動作（例えば、訓練、検証、試験、推論動作など）を指すことができる。例えば、共同動作は、１つ又は複数の推論動作（例えば、予測、決定など）がノード及び／又はネットワークにわたって共同で実行される共同推論（joint inference）を含むことができる（例えば、ＵＥとｇＮＢとにわたって共同推論を実行することができ、推論の第１の部分はＵＥによって実行され、推論の第２の部分はｇＮＢなどによって実行される）。

【0065】

上記を考慮して、第１の分割レベル＃１Ａは、ＵＥ及びネットワーク（例えば、ｇＮＢ、及び、ＬＭＦ、ＡＭＦ、ＯＡＭなどのネットワーク機能）にわたって共同で実行される共同推論の有無にかかわらず片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第２の分割レベル＃１Ｂは、ＵＥ及びネットワークにわたって共同で実行される共同推論の有無にかかわらず両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0066】

この目的のために、第２のレベル＃１（及びそれに関連付けられた分割レベル）は、ＵＥとネットワークとの間のモデル支援情報交換（model assistance information exchange）及びモード／推論パラメータ交換又は更新を定義する。更に、第２のレベル＃１（及びそれに関連する分割レベル）は、ＵＥとネットワークとの間のモデル性能に関するフィードバック又は情報を提供するためのフレームワークを定義する。更に、第２のレベル＃１（及びそれに関連する分割レベル）は、モデル訓練のためのフレームワークを定義する（例えば、ＵＥ等に基づく）。

【0067】

第３のレベル＃２では、モデル交換又はモデル転送が行われ得る。すなわち、第３のレベル＃２では、ＵＥ及び／又はネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）は、１つ又は複数のＡＩ／ＭＬモデルを交換することができる。例えば、ネットワークは、１つ又は複数のＡＩ／ＭＬモデルをＵＥに転送することができ、ＵＥは、１つ又は複数のＡＩ／ＭＬモデルをネットワークに転送することができ、ＵＥは、ネットワークから１つ又は複数のＡＩ／ＭＬモデルをダウンロードすることができるなどである。モデル転送は、ＡＩ／ＭＬモデル構造のパラメータの転送、パラメータ付きの新しいＡＩ／ＭＬモデル（例えば、新しいフルＡＩ／ＭＬモデル、新しい部分ＡＩ／ＭＬモデル（new partial AI/ML model）など）の転送などの少なくとも１つを含んでもよい。

【0068】

実施形態によれば、第３のレベル＃２で、ＵＥ及び／又はネットワークは、１つ又は複数の外部リポジトリから１つ又は複数のＡＩ／ＭＬモデルの更新を取得することができる。例えば、ＵＥ及び／又はネットワークは、外部リポジトリなどから更新されたモデル又は新しいモデルをダウンロードすることができる。更に、第３のレベル＃２では、軽量ＡＩ／ＭＬモデル訓練がＵＥ及び／又はネットワークで行われ得る。

【0069】

この目的のために、第３のレベル＃２は、ＵＥとネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）との間で１つ又は複数のＡＩ／ＭＬモデルを開始、転送、及び検証するためのフレームワークを定義する。

【0070】

実施形態によれば、情報交換は、関連付けられたＡＩ／ＭＬモデルのＩＤに基づいて実行されてもよい。例えば、ネットワークは、モデルＩＤなどに基づいてＡＩ／ＭＬモデル及び／又は推論調整パラメータをＵＥに提供することができる。更に、実施形態によれば、第２のレベル＃１では、フルスケールＡＩ／ＭＬモデル訓練がＵＥ及び／又はネットワークで行われ得る。

【0071】

更に、一実施形態によれば、複数の所定のレベル（又はカテゴリ）のうちの協調の特定のレベル（又はカテゴリ）の実装又は選択に基づいて、１つ又は複数のＡＩ／ＭＬモデルをエアインターフェース最適化に適用することができる。例えば、エアインターフェース最適化は、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、測位精度強化、及び任意の他の適切なエアインターフェース関連の動作及び特徴の最適化を含み得る。更に、１つ又は複数のＡＩ／ＭＬモデルはまた、複数の所定のレベル（又はカテゴリ）のうちの協調の特定のレベル（又はカテゴリ）の実装又は選択に基づいて、任意の他の可能なユースケース（例えば、ネットワークのエネルギー節約、負荷分散、モビリティ最適化など）で利用されてもよいことが考えられる。

【0072】

ＡＩ／ＭＬ能力の分類
ＡＩ／ＭＬ能力は、１つ又は複数のＡＩ／ＭＬ関連タスク（AI/ML related tasks）を実行するためのＵＥ及び／又はネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）の能力を指すことができる。

【0073】

実施形態によれば、ＵＥのＡＩ／ＭＬ能力は、クラス０、クラス１、クラス２、及びクラス３のクラスに分割され得る。

【0074】

クラス０に分類されるＵＥは、ＡＩ／ＭＬ能力を有していなくてもよい。クラス１に分類されるＵＥは、情報交換のみをサポートし得る。クラス２に分類されるＵＥは、情報交換及びモデル転送をサポートすることができる。クラス３に分類されるＵＥは、情報交換、モデル転送、及びモデル訓練をサポートすることができる。

【0075】

上記を考慮して、クラス０のＵＥは、上記の第１のレベル＃０の協調に基づいて１つ又は複数のＡＩ／ＭＬタスクを実行することができ、クラス１のＵＥは、上記の第２のレベル＃１の協調に基づいて１つ又は複数のＡＩ／ＭＬタスクを実行することができ、クラス２のＵＥ及びクラス３のＵＥは、上記の第３のレベル＃２の協調に基づいて１つ又は複数のＡＩ／ＭＬタスクを実行することができる。

【0076】

上記の説明は、ＵＥのＡＩ／ＭＬ能力の分類を参照して説明されているが、本開示の範囲から逸脱することなく、同様の分類が任意のノード又はネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）に適用可能であり得ることが理解されよう。

【0077】

この目的のために、本開示の例示的な実施形態は、ノードのＡＩ／ＭＬ能力の分類を定義する。

【0078】

例示的なユースケース：エアインターフェース最適化のためのＡＩ／ＭＬ実装
上述したように、一実施形態によれば、ＡＩ／ＭＬは、モバイル通信システムにおけるエアインターフェース最適化のために実装されてもよい。

【0079】

図２は、１つ又は複数の実施形態による、モバイル通信システムにおけるエアインターフェース最適化のためのＡＩ／ＭＬを実装する例示的な方法２００のフロー図を示す。

【0080】

図２を参照すると、動作（operation：処理）Ｓ２１０において、協調レベルが決定される。具体的には、第１のノードは、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定するように構成され得る。

【0081】

実施形態によれば、第１のノードは、ＵＥ、ネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）、又はモバイル通信システム内の任意の他の適切なノードもしくは要素であってもよい。

【0082】

更に、複数の所定の協調レベルは、ネットワークとＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベル、ネットワークとＵＥとの間の第１のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベル、及びネットワークとＵＥとの間の第２のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルを含み得る。

【0083】

実施形態によれば、第１のレベル、第２のレベル、及び第３のレベルは、それぞれ上述の第１のレベル＃０、上述の第２のレベル＃１、及び上述の第３のレベル＃２に対応することができる。例えば、第２のレベルは、モデル転送を伴わないネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第３のレベルは、モデル転送を伴うネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0084】

これに関して、第２のレベルは複数の分割レベルを含むことができ、例えば、第１の分割レベル（例えば、上述の第１の分割レベル＃１Ａ）は、ＵＥとネットワークとにわたって共同で実行される共同推論を伴う／伴わない片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応し、第２の分割レベル（例えば、上述の第２の分割レベル＃１Ｂ）は、ＵＥとネットワークとにわたって共同で実行される共同推論を伴う／伴わない両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応する。更に、モデル転送は、ＡＩ／ＭＬモデル構造のパラメータの転送、又はパラメータを有する新しいＡＩ／ＭＬモデルの転送のうちの少なくとも１つを含んでもよく、新しいＡＩ／ＭＬモデルは、フルモデル又は部分モデルであってもよい。

【0085】

あるいは、第２のレベル及び第３のレベルは、それぞれ上述の第１の分割レベル及び上述の第２の分割レベルに対応してもよい。例えば、第２のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第３のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論あり／なしの両側モデルのシグナリングベースのＡＩ／ＭＬ協調に対応することができる。

【0086】

実施形態によれば、第２のレベルに従って、ＡＩ／ＭＬモデル訓練は、ネットワークとＵＥの両方で行われてもよい。追加的又は代替的に、第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデル及び／又は推論調整パラメータをＵＥに提供することができる。

【0087】

実施形態によれば、第２のレベルによれば、フルスケールＡＩ／ＭＬ訓練がＵＥで行われてもよく、第３のレベルによれば、軽量ＡＩ／ＭＬモデル訓練がＵＥで行われてもよい。

【0088】

引き続き図２を参照すると、動作（処理）Ｓ２２０において、１つ又は複数のエアインターフェース最適化が実行される。具体的には、第２のノードは、決定された協調レベル（例えば、動作Ｓ２１０で決定された協調レベル）に基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用してＵＥに関して１つ又は複数のエアインターフェース最適化を実行するように構成されてもよい。第２のノードは、ＵＥもしくはネットワーク（例えば、ｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなど）、又はモバイル通信システム内の任意の他の適切なノードもしくは要素であってもよい。１つ又は複数のエアインターフェース最適化は、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、測位精度強化、及び任意の他の適切なエアインターフェース関連の動作及び特徴の最適化を含み得る。

【0089】

方法２００は、本開示の範囲から逸脱することなく、１つ又は複数の追加の又は代替の動作（処理）を含むことができると考えられる。

【0090】

例えば、実施形態によれば、方法２００は、第１のノードが、ＵＥに記憶されたＡＩ／ＭＬモデル又はＵＥによって使用されるＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求（リクエスト）をＵＥに送信し、ＵＥから前記情報を受信するように構成され得る動作を含み得る。代替的又は追加的に、実施形態によれば、方法２００は、第１のノードが、外部リポジトリに記憶されたＡＩ／ＭＬモデル又はＵＥによって使用されるＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求を外部リポジトリに送信し、外部リポジトリから前記情報を受信するように構成され得る動作を含み得る。

【0091】

同様に、方法２００の動作のうちの１つ又は複数は、本開示の範囲から逸脱することなく、１つ又は複数の追加の動作を含むことができる。例えば、図３は、１つ又は複数の実施形態による、協調レベルを決定する例示的な方法３００（すなわち、方法２００における動作Ｓ２１０）のフロー図を示す。

【0092】

図３を参照すると、動作（処理）Ｓ３１０において、１つ又は複数のＡＩ／ＭＬ能力要求（capability request、能力についての問い合わせ）が送信される。具体的には、第１のノードは、ＵＥのＡＩ／ＭＬ能力について問い合わせる１つ又は複数のＡＩ／ＭＬ能力要求をＵＥに送信するように構成され得る。実施形態によれば、１つ又は複数のＡＩ／ＭＬ能力要求は、ＵＥのＡＩ／ＭＬ能力の分類（例えば、上記のクラス０～クラス３）を定義する情報の要求を含み得る。

【0093】

動作（処理）Ｓ３２０において、１つ又は複数のＡＩ／ＭＬ能力報告が受信される。具体的には、第１のノードは、ＡＩ／ＭＬ能力要求に応答して、ＵＥから１つ又は複数のＡＩ／ＭＬ能力報告を受信するように構成されてもよく、１つ又は複数のＡＩ／ＭＬ能力報告は、ＵＥのＡＩ／ＭＬ能力を示してもよい。実施形態によれば、１つ又は複数のＡＩ／ＭＬ能力報告は、ＵＥのＡＩ／ＭＬ能力の分類を定義する情報を含み得る。

【0094】

動作（処理）Ｓ３３０において、協調レベルが決定される。具体的には、第１のノードは、受信したＡＩ／ＭＬ能力報告に基づいて、複数の所定の協調レベルの中から協調レベルを決定するように構成され得る。実施形態によれば、第１のノードは、ＵＥのＡＩ／ＭＬ能力の分類を決定することによって協調レベルを決定するように構成され得る。

【0095】

ＡＩ／ＭＬモデルのライフサイクル管理
実施形態によれば、ノード（例えば、ＵＥ、及びｇＮＢ、ＬＭＦ、ＡＭＦ、ＯＡＭなどのネットワーク）は、互いに協調して、１つ又は複数のＡＩ／ＭＬモデルのライフサイクル管理を実行することができる。

【0096】

図４は、１つ又は複数の実施形態による、１つ又は複数のＡＩ／ＭＬモデルのライフサイクル管理に関与する（involved）手順の例を示す。

【0097】

図４を参照すると、ＡＩ／ＭＬモデルライフサイクル管理４００は、以下の手順（procedures）、すなわち、ＡＩ／ＭＬ能力報告手順４１０、ＡＩ／ＭＬモデル同期手順４２０、ＡＩ／ＭＬモデル更新／アップグレード手順４３０、ＡＩ／ＭＬモデル性能監視手順４４０、ＡＩ／ＭＬモデル訓練／生成手順４５０、ＡＩ／ＭＬモデル展開手順４６０、及びＡＩ／ＭＬモデルロールバック手順４７０を含むことができる（ただし、これらに限定されない）。

【0098】

前記手順４１０～４７０は、本開示の範囲から逸脱することなく、任意の順序で行われ得ることが理解され得る。更に、前記手順４１０～４７０の１つ又は複数は、互いに組み合わせて別の手順を形成してもよく（例えば、ＡＩ／ＭＬ能力報告及びＡＩ／ＭＬモデル同期を組み合わせて、ＡＩ／ＭＬ能力発見などの手順を形成することができる）、及び／又は互いに含まれてもよい（例えば、ＡＩ／ＭＬモデルの訓練／生成は、ＡＩ／ＭＬモデルの更新などに含まれてもよい）と考えられる。

【0099】

更に、実施形態によれば、前記手順４１０～４７０の少なくとも１つ又はすべては、「情報交換」、「モデル交換」、及び「モデル訓練」のうちの１つ又は複数がＵＥ又はネットワークによってサポートされる場合に適用可能であり得る。

【0100】

実施形態によれば、ＡＩ／ＭＬ能力報告手順４１０は、ＵＥのＡＩ／ＭＬ能力及び／又はネットワークのＡＩ／ＭＬ能力を報告するための１つ又は複数の動作を含むことができる。例えば、ネットワーク（例えば、ｇＮＢ）は、上述したように、１つ又は複数のＡＩ／ＭＬ能力要求をＵＥに送信し、ＵＥから１つ又は複数のＡＩ／ＭＬ能力報告又は応答を取得することによって、ＵＥのＡＩ／ＭＬ能力を問い合わせることができる。

【0101】

実施形態によれば、ＡＩ／ＭＬモデル同期手順４２０は、１つ又は複数のＡＩ／ＭＬモデル及びそれに関連する情報を記憶する１つ又は複数のリポジトリを発見し(discover)、発見されたリポジトリから１つ又は複数のＡＩ／ＭＬモデル又は関連する情報を取得し、取得されたＡＩ／ＭＬモデル又は情報で現在のＡＩ／ＭＬモデル（ＵＥ及び／又はｇＮＢなどのネットワークによって記憶又は利用されている）を更新するための１つ又は複数の動作を含み得る。例えば、ネットワーク（例えば、ｇＮＢ）は、１つ又は複数の要件（例えば、ＡＩ／ＭＬ能力、最適化要件など）に基づいて、すべての記憶されたＡＩ／ＭＬモデルの情報又は特定のＡＩ／ＭＬモデルの情報を要求することができる。

【0102】

実施形態によれば、ＡＩ／ＭＬモデル更新／アップグレード手順４３０は、以下の動作（処理）、すなわち、モデル更新トリガ、新しいモデル更新（例えば、モデルのダウンロード又はモデルの交換などによって）、モデル訓練／生成、既存モデルの更新／アップグレード（例えば、情報交換などによって）、ＡＩ／ＭＬ推論更新／転送、モデル／推論選択手順、モデル又は推論検証、及び１つ又は複数のＡＩ／ＭＬモデルの再訓練又は微調整のうちの１つ又は複数を含み得る。

【0103】

実施形態によれば、ＡＩ／ＭＬモデル性能監視手順４４０は、１つ又は複数のＡＩ／ＭＬモデルの性能を監視するための１つ又は複数の動作（処理）を含み得る。例えば、手順４４０は、１つ又は複数のＡＩ／ＭＬモデルが展開、訓練／生成、及び／又は更新／アップグレードされた後に、（例えば、フィードバックなどを受信することによって）１つ又は複数のＡＩ／ＭＬモデルの推論性能を監視するための動作を含むことができる。

【0104】

実施形態によれば、ＡＩ／ＭＬモデル訓練／生成手順４５０は、１つ又は複数のＡＩ／ＭＬモデルを訓練又は生成するための１つ又は複数の動作（処理）を含み得る。当該１つ又は複数の動作は、データ駆動方式（data driven manner）で入出力関係を学習し、そこから訓練されたＡＬ／ＭＬモデルを生成／取得するための任意の適切な動作であってもよい。例えば、１つ又は複数の動作は、オンライン訓練、オフライン訓練、又はそれらの組合せを含むことができる。更に、１つ又は複数の動作は、ＵＥ、ネットワーク（例えば、ｇＮＢなど）、又はこれらの組合せにおいて行われてよい。更に、１つ又は複数の動作は、連合学習／訓練（federated learning/training）（１つ又は複数のＡＩ／ＭＬモデルが、ＵＥ、ｇＮＢなどのような複数のノードにわたって訓練され、各ノードは、ローカルデータサンプルを使用してローカルモデル訓練を実行する）、教師あり学習（supervised learning）（１つ又は複数のＡＩ／ＭＬモデルが入力データ及び対応する所定のパラメータに基づいて訓練される）、教師なし学習（１つ又は複数のＡＩ／ＭＬモデルが所定のパラメータなしで訓練される）、半教師あり学習（semi-supervised learning）（１つ又は複数のＡＩ／ＭＬモデルが所定のデータ／パラメータと非所定のデータ／パラメータとの混合で訓練される）、及び強化学習（reinforcement learning）（１つ又は複数のＡＩ／ＭＬモデルが、モデルが相互作用している環境におけるモデルの出力から生じる入力データ及びフィードバック信号に基づいて訓練される）（限定はしないが）などの任意の適切なタイプの学習動作を含むことができる。

【0105】

実施形態によれば、ＡＩ／ＭＬモデル展開手順４６０は、１つ又は複数の推論動作が実行されるターゲットＵＥ又はターゲットネットワーク（例えば、ターゲットｇＮＢ）に、１つ又は複数のＡＩ／ＭＬモデル（例えば、訓練されたモデル、検証されたモデル、試験されたモデルなど）及び関連情報（例えば、ランタイム画像、アルゴリズムなど）を配信するための１つ又は複数の動作を含み得る。当該１つ又は複数の動作は、１つ又は複数のＡＩ／ＭＬモデルがエアインターフェースを介して配信されるモデル転送動作を含んでもよい。

【0106】

実施形態によれば、ＡＩ／ＭＬモデルロールバック手順４７０は、１つ又は複数の現在のＡＩ／ＭＬモデルをＡＩ／ＭＬモデルの以前のバージョンにロールバック又は復元するための１つ又は複数の動作（処理）を含み得る。例えば、当該１つ又は複数の動作は、１つ又は複数の現在のＡＩ／ＭＬモデルをそれぞれの以前のバージョンのＡＩ／ＭＬモデルで置換又は更新すること、１つ又は複数の現在のＡＩ／ＭＬモデルをその以前のバージョンに微調整（fine tuning）又は調節（adjusting）することなどを含み得る。

【0107】

複数のノード（例えば、ＵＥ、ｇＮＢなど）は、上述した手順４１０～４７０のうちの１つ又は複数を実行する際に互いに連携又は協調することができる。例えば、図５は、１つ又は複数の実施形態による、協調ＡＩ／ＭＬモデルの使用のための第１のノード（例えば、ｇＮＢ）と第２のノード（例えば、ＵＥ）との間のシグナリング（信号伝達）フローを示す。

【0108】

図５を参照すると、シグナリングフローは、ＡＩ／ＭＬモデル能力報告手順４１０、ＡＩ／ＭＬモデル同期４２０、ＡＩ／ＭＬモデル更新／アップグレード手順４３０、ＡＩ／ＭＬモデル性能監視手順４４０、ＡＩ／ＭＬ訓練／生成手順４５０などの図４の手順を含み得る。

【0109】

具体的には、動作Ｓ５０１において、第１のノードは、第２のノードに１つ又は複数のＡＩ／ＭＬ能力要求を送信することができる。それに応答して、動作Ｓ５０２において、第２のノードは、第１のノードに、１つ又は複数のＡＩ／ＭＬ能力報告を提供することができる。動作Ｓ５０１及びＳ５０２は、図４を参照して上述したＡＩ／ＭＬモデル能力報告手順４１０の一部であってもよく、図２～図４を参照して上述した１つ又は複数のＡＩ／ＭＬ能力要求及び１つ又は複数のＡＩ／ＭＬ能力報告に関連する説明は、同様に図５の説明に適用可能であり得る。

【0110】

動作Ｓ５０３において、第１のノードは、ＡＩ／ＭＬモデル及び／又は関連する情報もしくはパラメータに対する１つ又は複数の要求を第２のノードに送信することができる。それに応答して、動作Ｓ５０４において、第２のノードは、第１のノードに、要求されたＡＩ／ＭＬモデル及び／又は関連する情報もしくはパラメータを含む１つ又は複数の報告を提供することができる。動作Ｓ５０３及びＳ５０４は、図４を参照して上述したＡＩ／ＭＬモデル同期手順４２０の一部であってもよく、情報交換及びモデル転送のプロセス及び特徴は、図２～図４を参照して上述したものと同様であってもよい。したがって、同様の説明が同様の内容・態様で図５の説明に適用可能であり得ることが理解され得る。

【0111】

動作Ｓ５０５において、第１のノードは、モデル推論及び／又はモデル更新を実行するための１つ又は複数の要求（リクエスト）を第２のノードに送信することができる。それに応答して、第２のノードは、要求されたモデル推論及び／又はモデル更新を実行することができ、（例えば、完了、失敗、推論値／出力など）その１つ又は複数の結果を第１のノードに提供することができる（動作Ｓ５０６）。動作Ｓ５０５及びＳ５０６は、ＡＩ／ＭＬモデル更新／アップグレード手順４３０の一部であってもよいし、図４を参照して上述したＡＩ／ＭＬモデル展開手順４６０の一部であってもよい。したがって、同様の説明が同様の内容・態様で図５の説明に適用可能であり得ることが理解され得る。

【0112】

動作Ｓ５０７において、第１のノードは、第２のノードでＡＩ／ＭＬモデル性能を監視することができる。例えば、第１のノードは、ＡＩ／ＭＬモデルに関連付けられた性能データに対する１つ又は複数の要求を第２のノードに送信することができ、その後、動作Ｓ５０８において、第２のノードは、ＡＩ／ＭＬモデルの性能を定義する１つ又は複数のフィードバックを提供することができる。１つ又は複数のＡＩ／ＭＬモデルが第１のノードでも利用されている（例えば、推論、更新など）実施形態によれば、第２のノードはまた、同様の方法で第１のノードのＡＩ／ＭＬモデル性能を監視することができる。動作Ｓ５０７及びＳ５０８は、図４を参照して上述したＡＩ／ＭＬモデル性能監視手順４４０の一部であってもよい。したがって、同様の説明が同様の内容・態様で図５の説明に適用可能であり得ることが理解され得る。

【0113】

動作Ｓ５０９において、第１のノードは、モデルロールバック、推論更新、及びモデル訓練のうちの１つ又は複数が第２のノードで必要であると決定することができる（例えば、ＡＩ／ＭＬ性能フィードバックなどに基づいて決定することができる）。したがって、第１のノードは、モデルロールバック、推論更新、及び／又はモデル訓練を実行するための１つ又は複数の要求を第２のノードに送信することができる。動作Ｓ５０９は、図４を参照して上述したＡＩ／ＭＬモデル更新／アップグレード手順４３０、ＡＩ／ＭＬモデル訓練／生成手順４５０、及びＡＩ／ＭＬモデルロールバック手順４７０のうちの１つ又は複数を含むことができる。したがって、同様の説明が同様の内容・態様で図５の説明に適用可能であり得ることが理解され得る。

【0114】

この目的のために、本開示の例示的な実施形態は、１つ又は複数のＡＩ／ＭＬモデルを利用及び管理する際の協調及び連携のためのノード間の手順及びシグナリングフローを定義する。

【0115】

ＡＩ／ＭＬモデル訓練の分類
実施形態によれば、ユースケース要件（use case requirements）及びＡＩ／ＭＬ能力に基づいて、ＡＩ／ＭＬモデル訓練のカテゴリを定義することができる。

【0116】

例えば、１つ又は複数の実施形態によれば、１つ又は複数のＡＩ／ＭＬモデルの訓練は、複数の所定のレベル（又はカテゴリ）のうちの協調の特定のレベル（又はカテゴリ）に基づいて実行され得る。

【0117】

図６は、１つ又は複数の実施形態による、ＡＩ／ＭＬモデル訓練のカテゴリの内訳を示す図である。

【0118】

図６を参照すると、ＡＩ／ＭＬモデル訓練は、ＵＥで実行されてもよく（例えば、ＵＥ上の訓練（on-UE training）など）、及び／又はｇＮＢなどのネットワークで実行されてもよい（例えば、ネットワーク上の訓練（on-network training）など）。

【0119】

ＵＥにおけるモデル訓練は、フルスケールＡＩ／ＭＬモデル訓練と軽量（light weight）ＡＩ／ＭＬモデル訓練とに更に分類することができる。フルスケールＡＩ／ＭＬモデル訓練は、データ又はパラメータのすべて（又は大部分、過半数）が訓練に利用される大規模訓練（large scale training）であり得る。逆に、軽量ＡＩ／ＭＬモデル訓練は、データ又はパラメータの一部が訓練に利用される小規模訓練であってもよい。フルスケールＡＩ／ＭＬモデル訓練及び／又は軽量ＡＩ／ＭＬモデル訓練は、連合学習／訓練、教師あり学習、教師なし学習、半教師あり学習、及び強化学習（先に図４を参照して説明した）のうちの１つ又は複数を含み得る。

【0120】

実施形態によれば、ＵＥとネットワーク（例えば、ｇＮＢ）との間の第２のレベル（例えば、上述の第２のレベル＃１）の協調に従って、１つ又は複数のフルスケールＡＩ／ＭＬモデル訓練をＵＥで実行することができる。一方、ＵＥとネットワークとの間の第３のレベル（例えば、上述の第３のレベル＃２）の協調に従って、１つ又は複数の軽量ＡＩ／ＭＬモデル訓練をＵＥで実行することができる。

【0121】

一方、ネットワーク（例えば、ｇＮＢ）でのモデル訓練は、転送ＡＩ／ＭＬモデル訓練又は学習、フルスケールＡＩ／ＭＬモデル訓練、及び軽量ＡＩ／ＭＬモデル訓練に更に分類され得る。転送ＡＩ／ＭＬモデル訓練は、ＡＩ／ＭＬモデルに関する一般化（generalization about AI/ML model）を改善するために前のタスクから得られた知識又は出力を利用する１つ又は複数の訓練動作を含むことができる。例えば、転送ＡＩ／ＭＬモデル訓練は、新しいタスクで１つ又は複数の事前訓練されたモデルを再使用することを含み得る。フルスケール及び軽量ＡＩ／ＭＬモデル訓練は、ＵＥにおけるモデル訓練を参照して上述した通りである。

【0122】

実施形態によれば、転送ＡＩ／ＭＬモデル訓練及び／又は軽量ＡＩ／ＭＬモデル訓練は、ネットワークが１つ又は複数のＡＩ／ＭＬモデルをＵＥに転送することを命令（強制）される又は要求されるときはいつでも、ネットワークで実行することができる。更に、軽量ＡＩ／ＭＬモデル訓練がＵＥで実行されたとネットワークが判断するたびに、ネットワークでフルスケールＡＩ／ＭＬモデル訓練が実行されてもよい。

【0123】

この目的のために、本開示の例示的な実施形態は、様々な条件（conditions）及び要件（requirements）に従って、ＡＩ／ＭＬモデル訓練のカテゴリを定義する。

【0124】

実施形態の様々な態様
前述の開示は、例示及び説明を提供するが、網羅的であることを意図するものではなく、又は実装形態を開示した形態そのものに限定することを意図するものではない。上記の開示に対する変更及び変形は、上記の開示に照らして可能であり、又は実装形態の実施から取得され得る。

【0125】

いくつかの実施形態は、実施についての任意の可能な技術的詳細レベルにおいて、システム、方法、及び／又はコンピュータ可読媒体に関し得る。更に、上述した上記コンポーネントのうち１つ又は複数は、コンピュータ可読媒体に記憶され、少なくとも１つのプロセッサによって実行可能な命令として実装されてもよい（及び／又は少なくとも１つのプロセッサを含んでもよい）。コンピュータ可読媒体は、プロセッサに動作を実行させるためのコンピュータ可読プログラム命令を有する（１つ又は複数の）コンピュータ可読非一時的記憶媒体（non-transitory storage medium）を含み得る。

【0126】

コンピュータ可読記憶媒体は、命令実行デバイスによる使用のための命令を保持及び記憶することができる有形のデバイスとすることができる。コンピュータ可読記憶媒体は、例えば、電子記憶デバイス、磁気記憶デバイス、光記憶デバイス、電磁記憶デバイス、半導体記憶デバイス、又はこれらの任意の適切な組合せであってもよいが、これらに限定されない。コンピュータ可読記憶媒体のより具体的な例の非網羅的リストには、以下のものが含まれる。すなわち、当該非網羅的リストには、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラム可能読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ポータブルコンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、その中に記録された命令を有するパンチカード又は溝の隆起構造など、機械的に符号化されたデバイス、及びこれらの任意の適切な組合せが含まれる。本明細書で使用されるコンピュータ可読記憶媒体は、電波もしくは他の自由に伝搬する電磁波、導波路もしくは他の送信メディアを通って伝搬する電磁波（例えば、光ファイバケーブルを通過する光パルス）、又はワイヤを通って（有線で）送信される電気信号などの、一時的な信号（transitory signals）そのものであると解釈されるべきではない。

【0127】

本明細書に記載されるコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれの計算／処理デバイスに、又はネットワーク、例えばインターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、及び／又は無線ネットワークを介して外部コンピュータ又は外部記憶デバイスにダウンロードされることが可能である。ネットワークは、銅送信ケーブル（copper transmission cables）、光送信ファイバ、無線送信、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、及び／又はエッジサーバを含み得る。各計算／処理デバイス内のネットワークアダプタカード又はネットワークインターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、それぞれの計算／処理デバイス内のコンピュータ可読記憶媒体に記憶するためにコンピュータ可読プログラム命令を転送する。

【0128】

動作を実行するためのコンピュータ可読プログラムコード／命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ：Instruction-Set-Architecture）命令、機械命令、機械依存命令（machine dependent instructions）、マイクロコード、ファームウェア命令、状態設定データ（state-setting data）、集積回路の構成データ（configuration data）、又はＳｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語などの手続き型プログラミング言語（procedural programming languages）を含む、１つ又は複数のプログラミング言語の任意の組合せで記述されたソースコード又はオブジェクトコードのいずれかであり得る。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロンソフトウェアパッケージとして、部分的にユーザのコンピュータ上及び部分的にリモートコンピュータ上で、又は完全にリモートコンピュータもしくはサーバ上で実行することができる。後者のシナリオでは、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）又はワイドエリアネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを通じてユーザのコンピュータに接続されてもよく、又は（例えば、インターネットサービスプロバイダを使用してインターネットを通じて）外部コンピュータに接続してもよい。いくつかの実施形態では、例えば、プログラマブル論理回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はプログラマブル論理アレイ（ＰＬＡ）を含む電子回路は、態様又は動作を実行するために、電子回路をパーソナライズするためのコンピュータ可読プログラム命令の状態情報を利用することによって、コンピュータ可読プログラム命令を実行することができる。

【0129】

これらコンピュータ可読プログラム命令は、コンピュータ又は他のプログラマブルデータ処理装置のプロセッサを介して実行する命令が、フローチャート及び／又はブロック図の１つ又は複数のブロックで指定された機能／動作を実施するための手段を作成するように、機械を生成するために汎用コンピュータ、専用コンピュータ、又は他のプログラマブルデータ処理装置のプロセッサに提供されてもよい。これらコンピュータ可読プログラム命令はまた、コンピュータ、プログラマブルデータ処理装置、及び／又は他のデバイスに特定の方法で機能するように指示することができるコンピュータ可読記憶媒体に記憶されてもよく、その結果、命令が記憶されたコンピュータ可読記憶媒体は、フローチャート及び／又はブロック図の１つ又は複数のブロックで指定された機能／動作の態様を実施する命令を含む製品を含む。

【0130】

コンピュータ可読プログラム命令はまた、コンピュータ実装プロセスを生成するために一連の動作ステップをコンピュータ、他のプログラマブル装置、又は他のデバイス上で実行させるために、コンピュータ、他のプログラマブルデータ処理装置、又は他のデバイス上にロードされてもよく、その結果、コンピュータ、他のプログラマブルデータ処理装置、又は他のデバイス上で実行する命令は、フローチャート及び／又はブロック図の１つ又は複数のブロックで指定された機能／動作を実施する。

【0131】

添付図面のフローチャート及びブロック図は、様々な実施形態によるシステム、方法、及びコンピュータ可読媒体の可能な実装形態のアーキテクチャ、機能、及び動作を示す。これに関して、フローチャート又はブロック図の各ブロックは、指定された論理機能を実装するための１つ又は複数の実行可能な命令を含むモジュール、セグメント、又は命令の一部を表すことができる。方法、コンピュータシステム、及びコンピュータ可読媒体は、図に示されたものよりも追加のブロック、少ないブロック、異なるブロック、又は異なる配置のブロックを含み得る。いくつかの代替実装形態では、ブロックに記載されている機能は、図に記載されたのとは異なる順序で行われてもよい。例えば、連続して示されている２つのブロックは、実際には同時に、又は実質的に同時に実行されてもよく、又はブロックは、関係する機能に応じて時には逆の順序で実行されてもよい。ブロック図及び／又はフローチャート図の各ブロック、ならびにブロック図及び／又はフローチャート図のブロックの組合せは、指定された機能もしくは動作を実行するか、又は専用ハードウェアとコンピュータ命令との組合せを実行する専用ハードウェアベースのシステムによって実装できることにも留意されたい。

【0132】

本明細書に記載のシステム及び／又は方法は、ハードウェア、ファームウェア、又はハードウェアとソフトウェアの組合せの様々な形態で実装されてもよいことは明らかであろう。これらのシステム及び／又は方法を実装するために使用される実際の専用の制御ハードウェア又はソフトウェアコードは、実装形態を限定するものではない。したがって、システム及び／又は方法の動作及び挙動は、特定のソフトウェアコードを参照することなく本明細書に記載されており、ソフトウェア及びハードウェアは、本明細書の記載に基づいてシステム及び／又は方法を実装するように設計され得ることが理解される。

【0133】

上記を考慮して、本開示の実施形態の様々な更なるそれぞれの態様及び特徴は、以下の項目によって定義することができる。
項目［１］：モバイル通信システムにおけるエアインターフェース最適化のための人工知能／機械学習（ＡＩ／ＭＬ）を実装する方法であって、当該方法は、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを第１のノードによって決定することと、第２のノードによって、決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用してＵＥに関してエアインターフェース最適化を実行することを含み、前記複数の所定の協調レベルは、ネットワークとＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、モデル転送を伴わないネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベルと、モデル転送を伴うネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルとを含む。
項目［２］：第２のレベルに従って、ＡＩ／ＭＬモデル訓練がネットワークとＵＥの両方で行われ得る、項目［１］に記載の方法。
項目［３］：第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデル及び／又は推論調整パラメータをＵＥに提供することができる、項目［１］～［２］のいずれかに記載の方法。
項目［４］：第２のレベルは、複数の分割レベルを含んでもよく、当該複数の分割レベルのうちの第１の分割レベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、複数の分割レベルのうちの第２の分割レベルは、ＵＥとネットワークとにわたって共同で実行される共同推論を伴う／伴わない両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる、項目［１］～［３］のいずれかに記載の方法。
項目［５］：第２のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第３のレベルは、ＵＥ及びネットワークにわたって共同で実行される共同推論を伴う／伴わない両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる、項目［１］～［３］のいずれかに記載の方法。
項目［６］：モデル転送は、ＡＩ／ＭＬモデル構造のパラメータの転送、又はパラメータを伴う新しいＡＩ／ＭＬモデルの転送の少なくとも１つを含んでもよく、新しいＡＩ／ＭＬモデルは、フルモデル又は部分モデルであってもよい、項目［１］～［５］のいずれかに記載の方法。
項目［７］：協調レベルを決定することが、第１のノードによって、ＵＥのＡＩ／ＭＬ能力を問い合わせるＡＩ／ＭＬ能力要求をＵＥに送信することと、第１のノードによって、ＡＩ／ＭＬ能力要求に応答してＡＩ／ＭＬ能力報告をＵＥから受信することを含み、ＡＩ／ＭＬ能力報告がＵＥのＡＩ／ＭＬ能力を示し、協調レベルを決定することが、さらに、受信したＡＩ／ＭＬ能力報告に基づいて、複数の所定の協調レベルの中から協調レベルを決定することとを含み得る、項目［１］～［６］のいずれかに記載の方法。
項目［８］：前記方法は、第１のノードによって、ＵＥに記憶されたＡＩ／ＭＬモデル又はＵＥによって使用されるＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求（リクエスト）をＵＥに送信することを更に含み得る、項目［１］～［７］のいずれかに記載の方法。
項目［９］：エアインターフェース最適化が、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、及び測位精度強化のうちの少なくとも１つを含み得る、項目［１］～［８］のいずれかに記載の方法。
項目［１０］：第２のレベルに従って、ＵＥにおいてフルスケールＡＩ／ＭＬモデル訓練を行うことができ、第３のレベルに従って、ＵＥにおいて軽量ＡＩ／ＭＬモデル訓練を行うことができる、項目［１］～［９］のいずれかに記載の方法。
項目［１１］：モバイル通信システムにおけるエアインターフェース最適化のための人工知能／機械学習（ＡＩ／ＭＬ）を実装するシステムであって、当該システムは、命令を記憶するメモリと、命令を実行して、複数の所定の協調レベルの中から、ネットワークとユーザ機器（ＵＥ）との間のＡＩ／ＭＬ協調のための協調レベルを決定するように構成された少なくとも１つのプロセッサとを備える第１のノードと、命令を記憶するメモリと、命令を実行して、決定された協調レベルに基づいて、少なくとも１つのＡＩ／ＭＬモデルを使用してＵＥに関してエアインターフェース最適化を実行するように構成された少なくとも１つのプロセッサと、を備える第２のノードと、を含み、前記複数の所定の協調レベルは、ネットワークとＵＥとの間のＡＩ／ＭＬ協調に対応する第１のレベルと、モデル転送を伴わないネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第２のレベルと、モデル転送を伴うネットワークとＵＥとの間のシグナリングベースのＡＩ／ＭＬ協調に対応する第３のレベルとを含む、システム。
項目［１２］：第２のレベルに従って、ＡＩ／ＭＬモデル訓練がネットワークとＵＥの両方で行われ得る、項目［１１］に記載のシステム。
項目［１３］：第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデル及び／又は推論調整パラメータをＵＥに提供することができる、項目［１１］～［１２］のいずれかに記載のシステム。
項目［１４］：第２のレベルは複数の分割レベルを含んでもよく、当該複数の分割レベルのうちの第１の分割レベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、前記複数の分割レベルのうちの第２の分割レベルは、ＵＥとネットワークとにわたって共同で実行される共同推論を伴う／伴わない両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる、項目［１１］～［１３］のいずれかに記載のシステム。
項目［１５］：第２のレベルは、ＵＥとネットワークとにわたって共同で実行される共同推論なしの片側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができ、第３のレベルは、ＵＥ及びネットワークにわたって共同で実行される共同推論を伴う／伴わない両側モデルのためのシグナリングベースのＡＩ／ＭＬ協調に対応することができる、項目［１１］～［１３］のいずれかに記載のシステム。
項目［１６］：モデル転送は、ＡＩ／ＭＬモデル構造のパラメータの転送、又はパラメータを伴う新しいＡＩ／ＭＬモデルの転送の少なくとも１つを含んでもよく、新しいＡＩ／ＭＬモデルは、フルモデル又は部分的なモデルであってもよい、項目［１１］～［１５］のいずれかに記載のシステム。
項目［１７］：第１のノードの少なくとも１つのプロセッサは、第１のノードによって、ＵＥのＡＩ／ＭＬ能力について問い合わせるＡＩ／ＭＬ能力要求をＵＥに送信することと、ＡＩ／ＭＬ能力要求に応答して、第１のノードによって、ＵＥのＡＩ／ＭＬ能力を示すＡＩ／ＭＬ能力報告をＵＥから受信することと、受信したＡＩ／ＭＬ能力報告に基づいて、複数の所定の協調レベルの中から協調レベルを決定することとによって、協調レベルを決定するための命令を実行するように構成され得る、項目［１１］～［１６］のいずれかに記載の方法。
項目［１８］：第１のノードの少なくとも１つのプロセッサは、命令を実行して、ＵＥに記憶されたＡＩ／ＭＬモデル又はＵＥによって使用されるＡＩ／ＭＬモデルの少なくとも１つに関する情報の要求をＵＥに送信するように更に構成され得る、項目［１１］～［１７］のいずれかに記載のシステム。
項目［１９］：エアインターフェース最適化が、チャネル状態情報（ＣＳＩ）フィードバック強化、ビーム管理、及び測位精度強化のうちの少なくとも１つを含み得る、項目［１１］～［１８］のいずれかに記載のシステム。
項目［２０］：第２のレベルに従って、フルスケールＡＩ／ＭＬモデル訓練をＵＥで行うことができ、第３のレベルに従って、軽量ＡＩ／ＭＬモデル訓練をＵＥで行うことができる、項目［１１］～［１９］のいずれかに記載のシステム。
項目［２１］：第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデルのアイデンティティ（ＩＤ）に基づいて、ＡＩ／ＭＬモデル及び／又は推論調整パラメータをＵＥに提供することができる、項目［１］～［１０］のいずれかに記載の方法。
項目［２２］：第２のレベルに従って、ネットワークは、ＡＩ／ＭＬモデルのアイデンティティ（ＩＤ）に基づいて、ＡＩ／ＭＬモデル及び／又は推論調整パラメータをＵＥに提供することができる、項目［１１］～［２０］のいずれかに記載のシステム。

【0134】

上記の教示に照らして、本開示の多くの変更及び変形が可能であることが理解され得る。添付の条項の範囲内で、本開示は、本明細書に具体的に記載されている以外の形態・態様・方法で実施されてもよいことは明らかであろう。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【国際調査報告】