CN117813789A - 用于指示机器学习（ml）模型组切换的物理下行链路控制信道（pdcch） - Google Patents

Abstract

一种由用户设备(UE)进行无线通信的方法包括接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息。当PDCCH调度针对UE的数据传输时，该指示在由PDCCH传送的下行链路控制信息(DCI)字段内。当PDCCH未调度针对UE的数据传输时，该指示在由PDCCH传送的调度相关字段内。该方法还包括响应于接收到PDCCH而切换到机器学习模型组。PDCCH还可以指示对于使用机器学习模型组的时间段。

Description

用于指示机器学习(ML)模型组切换的物理下行链路控制信道 (PDCCH)

技术领域

通常地说，本公开涉及无线通信，并且更具体地，涉及用于指示机器学习(ML)模型组之间的切换的物理下行链路控制信道(PDCCH)。

背景技术

已广泛地部署无线通信系统，以便提供诸如电话、视频、数据、消息和广播之类的各种电信服务。典型的无线通信系统可以采用能通过共享可用的系统资源(例如，带宽、发射功率等等)，来支持与多个用户进行通信的多址技术。这类多址技术的例子包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、时分同步码分多址(TD-SCDMA)系统和长期演进(LTE)。LTE/高级LTE是第三代合作伙伴计划(3GPP)颁布的通用移动通信系统(UMTS)移动标准的一组增强功能。窄带(NB)物联网(IoT)和增强型机器类型通信(eMTC)是对于LTE的增强集合用于机器类型通信。

无线通信网络可以包括多个基站(BS)，这些BS可以支持多个用户设备(UE)的通信。用户设备(UE)可以经由下行链路和上行链路与基站(BS)通信。下行链路(或前向链路)是指从BS到UE的通信链路，而上行链路(或反向链路)是指从UE到BS的通信链路。如将更加详细描述的，BS可以被称为节点B、演进型节点B(eNB)、gNB、接入点(AP)、无线电头端、发送和接收点(TRP)、新无线电(NR)BS、5G节点B等。

在多种电信标准中已采纳上面的多址技术，以提供使不同的用户设备能在城市范围、国家范围、地域范围、和甚至全球范围上进行通信的通用协议。新无线电(NR)(也可以称为5G)是由第三代合作伙伴计划(3GPP)发布的对LTE移动标准的一组增强。NR被设计为通过提高谱效率、降低成本、改进服务、利用新频谱、以及与在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(OFDM)(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如，还称为离散傅里叶变换扩展OFDM(DFT-s-OFDM))的其它开放标准更好地整合、以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚合，来更好地支持移动宽带互联网接入。

人工神经网络可以包括互连的人工神经元群(例如，神经元模型)。人工神经网络可以是计算设备或表示为由计算设备执行的方法。卷积神经网络(诸如深度卷积神经网络)是一种前馈人工神经网络。卷积神经网络可以包括可在分块化(tiled)感受野中配置的神经元层。期望将神经网络处理应用于无线通信以实现更高的效率。

发明内容

在本公开内容的各方面中，一种由用户设备(UE)进行无线通信的方法包括接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息。该方法还包括响应于接收到PDCCH而切换到机器学习模型组。

本公开内容的其它方面涉及一种用于由具有存储器和耦合到所述存储器的一个或多个处理器的用户设备(UE)进行无线通信的装置。(多个)处理器被配置为接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息。(多个)处理器还被配置为响应于接收到PDCCH来切换到机器学习模型组。

本公开内容的其他方面涉及一种用于由用户设备(UE)进行无线通信的装置。该装置包括用于接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息的单元。该装置还具有用于响应于接收到PDCCH来切换到机器学习模型组的单元。

各方面总体上包括如基本上参考附图和说明书描述的和如附图和说明书所举例说明的方法、装置、系统、计算机程序产品、非暂时性计算机可读介质、用户设备、基站、无线通信设备和处理系统。

前述已经相当广泛地概述了根据本公开内容的示例的特征和技术优点。将描述额外的特征和优点。所公开的概念和特定示例可以容易地用作用于修改或设计用于实现本公开内容的相同目的其他结构的基础。这样的等效构造不背离所附权利要求的范围。当结合附图考虑时，根据下文的描述，将更好地理解所公开的概念的特性(它们的组织和操作方法两者)以及相关联的优点。提供每个附图是出于举例说明和描述的目的，而不是作为权利要求的限制的定义。

附图说明

为了可以详尽地理解本公开内容的特征，通过参照各方面(其中的一些方面在附图中示出)，可以获得具体描述。然而，应注意的是，附图仅示出了本公开内容的某些方面，并且因此不被认为是限制本公开内容的范围，因为该描述可以容许其它同等有效的方面。不同附图中的相同的附图标记可以标识相同或相似元素。

图1是根据本公开内容的各个方面，概念性地示出一种无线通信网络的例子的框图。

图2是根据本公开内容的各个方面，概念性地示出在无线通信网络中基站与用户设备(UE)进行通信的例子的框图。

图3示出了根据本公开内容的某些方面的使用包括通用处理器的片上系统(SOC)来设计神经网络的示例实施方式。

图4A、4B和4C是示出根据本公开内容的各方面的神经网络的示意图。

图4D是示出根据本公开内容的各方面的示例性深度卷积网络(DCN)的示意图。

图5是示出根据本公开内容的各方面的示例性深度卷积网络(DCN)的框图。

图6是示出根据本公开内容的各方面的基于模型复杂度的分组的框图。

图7是示出根据本公开内容的各方面的示例下行链路控制信息(DCI)消息的框图。

图8是示出根据本公开内容的各方面的机器学习模型组切换的框图。

图9是根据本公开内容的各个方面，示出例如由用户设备(UE)执行的示例处理的流程图。

具体实施方式

在下文中参考附图更充分地描述了本公开内容的各个方面。然而，本公开内容可以以许多不同的形式来体现，并且不应当被解释为限于贯穿本公开内容所呈现的任何特定的结构或功能。确切而言，提供了这些方面使得本公开内容将是透彻且完整的，并且将向本领域技术人员充分传达本公开内容的范围。基于教导，本领域技术人员应当认识到，本公开内容的范围旨在涵盖本公开内容的任何方面，无论该方面是独立于本公开内容的任何其它方面来实现的还是与任何其它方面结合地实现的。例如，使用所阐述的任何数量的方面，可以实现装置或者可以实践方法。此外，本公开内容的保护范围旨在覆盖这种装置或方法，这种装置或方法可以通过使用其它结构、功能、或者除所阐述的本公开内容的各个方面的结构和功能、或不同于所阐述的本公开内容的各个方面的结构和功能来实现。应当理解，所公开的本公开内容的任何方面可以由权利要求的一个或多个元素来体现。

现在将参考各种装置和技术呈现电信系统的几个方面。这些装置和技术将在以下详细描述中描述，并且通过各种框、模块、组件、电路、步骤、过程、算法等等(统称为“元素”)在附图中示出。这些元素可以使用硬件、软件或其组合来实现。这样的元素是实现为硬件还是软件取决于特定的应用和对整个系统所施加的设计约束。

应当注意，虽然使用通常与5G以及之后的无线技术相关联的术语来描述各方面，但本公开内容的各方面也可应用于基于其它代的通信系统，例如并且包括3G和/或4G技术。

可以采用机器学习技术来改进无线通信。例如，机器学习可以辅助信道状态反馈、压缩、以及涉及无线通信的其他功能。基站可以采用机器学习技术，用户设备(UE)也可以采用机器学习技术。

可以在UE侧配置和触发多个机器学习模型。可以针对不同的应用功能指定多个机器学习模型。机器学习模型可以是用于相同应用功能的不同版本。可以为不同的泛化能力提供不同的模型。例如，机器学习模型可以是UE特定的或小区特定的。模型可以具有不同的复杂度。例如，一些模型可能适合于低层UE，诸如物联网(IoT)设备，而其他模型可能非常适合于高级电话或更强大的设备。

这种不同的机器学习模型可以被分类为不同的组。例如，组可以是基于具有一个基线机器学习组和一个或多个高级机器学习组的模型复杂度的。分类可以是基于机器学习部署条件的。例如，可以存在小区特定的机器学习组、UE特定的机器学习组、室内场景机器学习组、室外场景机器学习组、或其他组。还可以基于回退事件(例如，机器学习失败时发生的事件)来对模型进行分组。这些组可以包括回退到机器学习组的模型、回退到非机器学习组的模型、回退到正常机器学习组的模型以及回退到高级机器学习组的模型。

在部署期间，UE可能需要快速切换机器学习组以适应不同的条件和规范。举例来说，如果UE当前正在执行室外特定机器学习模型，那么从室外移动到内部(诸如到商场)的UE在进入商场之后可能需要切换到室内特定模型。为了实现快速切换，将机器学习模型分类为室外组或室内组，并且UE从室外组切换到室内组。

本公开内容的各方面利用物理下行链路控制信道(PDCCH)来配置模型组切换。配置PDCCH模型切换的资源成本较低。此外，可以提供灵活配置。在其中组中的一个组用于传统算法的情况下，本公开内容的各方面提供了支持在机器学习组与传统算法之间的切换的另一种方式。

根据本公开内容的各方面，PDCCH被用于在模型组之间切换。在第一选项中，当PDCCH还调度数据时，向PDCCH添加额外字段以指示要切换到哪个模型组。字段大小可以是可配置的。例如，可以一起配置多个组(例如，针对不同的应用)。因为增加下行链路控制信息(DCI)大小将增加PDCCH的码率并影响解码性能，所以字段大小受到限制。在本公开内容的一些方面中，标准可以在PDCCH中定义新的DCI字段以触发组切换。新DCI字段中的显式信令提供了清楚配置。

在第二选项中，当PDCCH不调度数据时，不提供额外字段来指示切换。在该选项中，调度相关字段可以指示模型组。这些调度相关字段可以包括诸如用于调制和编码方案(MCS)、新数据指示符(NDI)、冗余版本(RV)、混合自动重传请求(HARQ)进程号、天线端口等的字段。因为DCI大小未增加，所以该第二选项可以指示比第一选项更多的组。由于没有调度的数据，因此可以重用用于数据调度的相关DCI字段来指示模型组切换。例如，网络可以重用MCS字段来触发模型组切换。利用第二选项，标准化定义或一些信令应当指示重用哪个DCI字段。当没有数据调度时，标准可以定义哪个字段可以被重用于数据调度。替代地，无线电资源控制(RRC)或介质访问控制-控制元素(MAC-CE)或DCI信令可以配置哪个UE可以使用哪个字段来检测模型组切换指示。

如果第一选项和第二选项(选项一和选项二)两者都被配置给UE，则一种降低PDCCH解码复杂度的技术包括在选项二DCI中插入零以填充选项二DCI。因此，第一选项DCI格式和第二选项DCI格式具有相同的长度。在这种情况下，UE可以执行一次盲解码以解码两种DCI格式。根据本公开内容的各方面，如果两种DCI格式的大小相同，则频域资源指派(FDRA)字段可以在第一选项和第二选项之间进行区分。

根据本公开内容的各方面，指示机器学习模型切换的持续时间。在一些方面中，PDCCH可以另外指示针对所指示的模型组生效的持续时间(或时间段)。在其他方面中，RRC信令配置该持续时间。在其他方面中，DCI指示从RRC配置的持续时间值集合中选择持续时间的一个值。在其他方面中，持续时间被隐式地设置。在这些方面中，持续时间在DCI被接收之后开始，并且继续直到连接模式非连续接收(C-DRX)活动时间的结束。在一些情况下，可以引入应用延迟。

切换可以是基于配置的组的数量的。例如，如果配置了两个组，则在持续时间(或时间段)到期之后，UE切换回另一个组。如果一个组被配置并且PDCCH指示机器学习组，则在持续时间到期之后，UE切换回非机器学习算法。如果一个组被配置并且PDCCH指示传统算法，则UE在时间段到期之后切换到机器学习组。如果配置了一个以上的组，则在时间段到期之后，UE切换回默认模型组。

根据本公开内容的进一步的方面，当定时器到期时而不是在持续时间之后，发生模型组切换。在这些方面中，定时器值在其被设置为初始定时器值之后开始减小。当某些事件发生时，定时器重置。例如，当UE接收到调度物理下行链路共享信道(PDSCH)或物理上行链路共享信道(PUSCH)的PDCCH时，定时器可以重置。在这些情况中的任一者中，重置可以进一步指定高于门限的调制和编码方案(MCS)。例如，当PDSCH被调度为具有良好的信道质量(例如，MCS高于门限)时，将触发针对PDSCH的具有更好性能的模型组，以及定时器被重置并开始减小。在另一示例中，当UE接收到调度具有高于门限的秩的PDSCH的PDCCH时，定时器重置。

一旦定时器到期，UE就切换到另一模型组，该另一模型组被假定为较低复杂度和较低性能。例如，如果触发高频谱效率或高吞吐量通信，则UE应当以更好的性能操作。在一个示例中，当通过选择更好的模型组来触发更高的频谱效率或更高的吞吐量性能时，UE更准确地估计信道响应和信道状态信息(CSI)。

在本公开内容的其他方面中，PDCCH相关联的机器学习组切换是基于PDCCH参数的。在3GPP标准中，不同的PDCCH搜索空间集合、下行链路控制信息(DCI)类型、聚合等级或其他PDCCH参数表示不同类型的条件。本公开内容的各方面将此类条件与不同的模型组相关联。基于PDCCH配置的模型组切换可以涉及搜索空间集、DCI格式和聚合等级。

根据本公开内容的各方面，PDCCH参数与机器学习组之间的关联规则被标准化。在这些方面中，一旦配置了特定PDCCH参数，就触发对应的机器学习组。在本公开内容的这些方面中，相关联的模型组遵循对应的PDCCH配置，诸如可用时间、模式或其他配置。

在本公开内容的进一步的方面中，PDCCH相关联的机器学习组切换是基于搜索空间集组(SSSG)的。根据这些方面，定义了在模型组和搜索空间集组之间的映射。模型组切换可以是与传统搜索空间集组切换和跳过模式相关联的。

图1是示出可以在其中实践本公开内容的各方面的网络100的图。网络100可以是5G或NR网络、或者某种其它无线网络(例如，LTE网络)。无线网络100可以包括多个BS110(示出为BS 110a、BS110b、BS110c和BS110d)和其他网络实体。BS是与用户设备(UE)进行通信的实体，其还可以称为基站、NR BS、节点B、gNB、5G节点B、接入点、传输接收点(TRP)等等。每个BS可以为特定的地理区域提供通信覆盖。在3GPP中，取决于使用术语“小区”的上下文，术语“小区”可以指代BS的覆盖区域和/或为该覆盖区域服务的BS子系统。

BS可以为宏小区、微微小区、毫微微小区和/或另一种类型的小区提供通信覆盖。宏小区可以覆盖相对较大的地理区域(例如，半径几公里)，并且可以允许UE通过服务订阅进行不受限接入。微微小区可以覆盖相对小的地理区域，并且可以允许由具有服务订制的UE进行不受限制的接入。毫微微小区可以覆盖相对小的地理区域(例如，住宅)，并且可以允许由具有与该毫微微小区的关联的UE(例如，在封闭用户组(CSG)中的UE)进行受限制的接入。用于宏小区的BS可以被称为宏BS。用于微微小区的BS可以被称为微微BS。用于毫微微小区的BS可以被称为毫微微BS或家庭BS。在图1中示出的示例中，BS110a可以是用于宏小区102a的宏BS，BS110b可以是用于微微小区102b的微微BS，以及BS110c可以是用于毫微微小区102c的毫微微BS。BS可以支持一个或多个(例如，三个)小区。术语“eNB”、“基站”、“NRBS”、“gNB”、“AP”、“节点B”、“5G NB”和“小区”在本文中可以可互换地使用。

在一些方面中，小区不需要是静止的，以及小区的地理区域可以根据移动BS的位置进行移动。在一些方面，BS可以使用任何适当的传输网络，通过各种类型的回程接口(例如，直接物理连接、虚拟网络等等)，彼此之间互连和/或互连到无线网络100中的一个或多个其它BS或网络节点(没有示出)。

无线网络100还可以包括中继站。中继站是可以从上游站(例如，BS或UE)接收数据的传输并且将数据的传输发送给下游站(例如，UE或BS)的实体。中继站还可以是可以为其它UE中继传输的UE。在图1所示的例子中，中继站110d可以与宏BS110a和UE 120d进行通信，以便有助于实现BS110a和UE 120d之间的通信。中继站也可以称为中继BS、中继基站、中继、等等。

无线网络100可以是包括不同类型的BS(例如，宏BS、微微BS、毫微微BS、中继BS等等)的异构网络。这些不同类型的BS可以具有不同的发射功率电平、不同的覆盖区域和对于无线网络100中的干扰具有不同的影响。例如，宏BS可以具有高发射功率级(例如5至40瓦)，而微微BS、毫微微BS和中继BS可以具有较低的发射功率级(例如0.1至2瓦)。

网络控制器130可以耦合到一组BS并为这些BS提供协调和控制。网络控制器130可以经由回程与BS进行通信。BS还可以经由无线或有线回程(例如，直接地或间接地)相互进行通信。

UE 120(例如，120a、120b、120c)可以分散于整个无线网络100中，并且每一个UE可以是静止的，也可以是移动的。UE也可以被称为接入终端、终端、移动台、用户单元、站等。UE可以是蜂窝电话(例如，智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板设备、照相机、游戏设备、上网本、智能本、超级本、医疗设备或装备、生物传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能珠宝(例如，智能戒指、智能手环))、娱乐设备(例如，音乐或视频设备或卫星无线电设备)、车载部件或者传感器、智能计量器/传感器、工业制造设备、全球定位系统设备、或者被配置为经由无线或有线介质进行通信的任何其它适当设备。

一些UE可以被认为是机器类型通信(MTC)或者演进型或增强型机器类型通信(eMTC)UE。例如，MTC和eMTC UE包括可以与基站、另一个设备(例如，远程设备)或者某种其它实体进行通信的机器人、无人机、远程设备、传感器、计量器、监视器、位置标签等等。例如，无线节点可以经由有线或无线通信链路，为网络(例如，诸如互联网或蜂窝网络的广域网)提供连接或者提供到该网络的连接。一些UE可以被认为是物联网(IoT)设备，和/或可以实现为NB-IoT(窄带物联网)设备。一些UE可以被认为是用户驻地设备(CPE)。UE 120可以包括在容纳UE 120的部件(例如，处理器组件、存储器组件等等)的壳体中。

通常，可以在给定的地理区域内部署任意数量的无线网络。每个无线网络可以支持特定的RAT，以及可以在一个或多个频率上操作。RAT也可以称为无线电技术、空中接口等。频率也可以称为载波、频率信道等。每个频率可以在给定的地理区域中支持单种RAT，以便避免不同RAT的无线网络之间的干扰。在一些情况下，可以部署NR或5G RAT网络。

在一些方面中，两个或更多个UE 120(例如，被示为UE 120a和UE 120e)可以使用一个或多个侧行链路信道来直接地彼此通信(例如，不使用基站110作为中间设备来彼此通信)。例如，UE 120可以使用对等(P2P)通信、设备到设备(D2D)通信、车联网(V2X)协议(例如，其可以包括车辆到车辆(V2V)协议、车辆到基础设施(V2I)协议等等)、网状网络等等进行通信。在这种情况下，UE 120可以执行由基站110执行的调度操作、资源选择操作和/或本文其它各处描述的其它操作。例如，基站110可以经由下行链路控制信息(DCI)、无线电资源控制(RRC)信令、媒体接入控制-控制元素(MAC-CE)或者经由系统信息(例如，系统信息块(SIB))来配置UE 120。

如上面所指示的，图1仅仅提供成例子。其它例子可以与参照图1所描述的例子不同。

图2示出了基站110和UE 120的设计200的框图，其中基站110和UE 120可以是图1中的基站中的一者和图1中的UE中的一者。基站110可以装备有T付天线234a到234t，UE 120可以装备有R付天线252a到252r(其中，通常T≥1，R≥1)。

在基站110处，发射处理器220可以从数据源212接收针对一个或多个UE的数据，至少部分地基于从每个UE接收的信道质量指标(CQI)来选择针对每个UE的一种或多种调制和编码方案(MCS)，至少部分地基于针对每个UE选择的MCS来对针对每个UE的数据进行处理(例如，编码和调制)，并提供用于所有UE的数据符号。减少MCS降低吞吐量，但是增加传输的可靠性。发射处理器220还可以处理系统信息(例如，用于半静态资源划分信息(SRPI)等)和控制信息(例如，CQI请求、授权、上层信令等)，并提供开销符号和控制符号。发射处理器220还可以生成用于参考信号(例如，特定于小区的参考信号(CRS))和同步信号(例如，主同步信号(PSS)和辅助同步信号(SSS))的参考符号。发送(TX)多输入多输出(MIMO)处理器230可以对数据符号、控制符号、开销符号和/或参考符号执行空间处理(例如，预编码)(若适用)，并且可以向T个调制器(MOD)232a至232t提供T个输出符号流。每一个调制器232可以处理各自的输出符号流(例如，用于OFDM等)，以获得输出采样流。每个调制器232还可以处理(例如，转换到模拟、放大、滤波和上变频)输出采样流以获得下行链路信号。来自调制器232a至232t的T个下行链路信号可以分别经由T个天线234a至234t进行发送。根据以下更详细描述的各个方面，可以利用位置编码来生成同步信号以传送额外信息。

在UE 120处，天线252a到252r可以从基站110和/或其它基站接收下行链路信号，并可以将接收的信号分别提供给解调器(DEMOD)254a到254r。每个解调器254可以调节(例如，滤波、放大、下变频以及数字化)接收的信号以获得输入采样。每一个解调器254还可以处理这些输入采样(例如，用于OFDM等)，以获得接收的符号。MIMO检测器256可以从所有R个解调器254a至254r获得接收的符号，对接收的符号执行MIMO检测(如果适用的话)，以及提供检测的符号。接收处理器258可以处理(例如，解调和解码)检测到的符号，向数据宿260提供针对UE 120的经解码数据，以及向控制器/处理器280提供经解码的控制信息和系统信息。信道处理器可以确定参考信号接收功率(RSRP)、接收信号强度指示符(RSSI)、参考信号接收质量(RSRQ)、信道质量指示符(CQI)等等。在一些方面，UE 120的一个或多个组件可以被包括在外壳中。

在上行链路上，在UE 120处，发射处理器264可以从数据源262接收数据，以及从控制器/处理器280接收控制信息(例如，用于包括RSRP、RSSI、RSRQ、CQI等等的报告)，并对该数据和控制信息进行处理。发射处理器264还可以生成用于一个或多个参考信号的参考符号。来自发射处理器264的符号可以由TX MIMO处理器266进行预编码(如果适用的话)，由调制器254a至254r进行进一步处理(例如，用于DFT-s-OFDM、CP-OFDM等)，并发送到基站110。在基站110处，来自UE 120和其他UE的上行链路信号可以由天线234接收，由解调器254处理，由MIMO检测器236检测(如果适用的话)，并且由接收处理器238进一步处理，以获得经解码的由UE 120发送的数据和控制信息。接收处理器238可以将经解码的数据提供给数据宿239，并且将经解码的控制信息提供给控制器/处理器240。基站110可以包括通信单元244并且经由通信单元244与网络控制器130通信。网络控制器130可以包括通信单元294、控制器/处理器290和存储器292。

基站110的控制器/处理器240、UE 120的控制器/处理器280或者图2的任何其它组件可以执行与用于机器学习切换相关联的一种或多种技术，如本文其它各处所进一步详细描述的。例如，基站110的控制器/处理器240、UE 120的控制器/处理器280、和/或图2的任何其他组件可以执行或指导例如图9和10的过程和/或所描述的其他过程的操作。存储器242和282可以分别存储用于基站110和UE 120的数据和程序代码。调度器246可以调度UE用于在下行链路和/或上行链路上的数据传输。

在一些方面中，UE 120可以包括用于接收的单元、用于切换的单元、用于确定的单元、用于开始的单元、以及用于切换的单元。这样的单元可以包括结合图2所描述的UE 120或基站110的一个或多个组件。

如上面所指示的，图2仅仅提供成例子。其它例子可以与参照图2所描述的例子不同。

在一些情况下，支持不同类型的应用和/或服务的不同类型的设备可以共存于小区中。不同类型的设备的示例包括UE手持机、客户驻地设备(CPE)、车辆、物联网(IoT)设备等。不同类型的应用的示例包括超可靠低延迟通信(URLLC)应用、大规模机器类型通信(mMTC)应用、增强型移动宽带(eMBB)应用、车辆到一切(V2X)应用等。此外，在一些情况下，单个设备可以同时支持不同的应用或服务。

图3示出了根据本公开内容的某些方面的片上系统(SOC)300的示例实现方式，SOC400可以包括中央处理单元(CPU)302或多核CPU，其被配置用于生成用于神经网络训练的梯度。SOC 300可以被包括在基站110或UE 120中。变量(例如，神经信号和突触权重)、与计算设备(例如，具有权重的神经网络)相关联的系统参数、延迟、频段信息、以及任务信息可以被存储在与神经处理单元(NPU)308相关联的存储块中、被存储在与CPU 302相关联的存储块中、被存储在与图形处理单元(GPU)304相关联的存储块中、被存储在与数字信号处理器(DSP)306相关联的存储块中、被存储在存储块318中、或可以跨越多个块分布。在CPU 302处执行的指令可以是从与CPU 302相关联的程序存储器加载的，或者可以是从存储块318加载的。

SOC 300还可以包括为特定功能定制的另外的处理块，诸如GPU 304、DSP 306、连接块310(其可以包括第五代(5G)连接、第四代长期演进(4G LTE)连接、Wi-Fi连接、USB连接、蓝牙连接等)、以及多媒体处理器312(其可以例如检测和识别手势)。在一种实现方式中，NPU是在CPU、DSP和/或GPU中实现的。SOC 300还可以包括传感器处理器314、图像信号处理器(ISP)316和/或导航模块320(其可以包括全球定位系统)。

SOC 300可以是基于ARM指令集的。在本公开内容的各方面中，加载到通用处理器302中的指令可以包括用于接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)的代码。处理器302还被配置为响应于接收到PDCCH，来切换到机器学习模型组。

深度学习架构可以通过学习以在每一层中以连续较高的抽象级别表示输入来执行对象识别任务，从而建立起对输入数据的有用特征表示。这样，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，用于对象识别问题的机器学习方法可能严重地依赖于人类设计的特征，也许与浅层分类器相结合。例如，浅层分类器可以是两类线性分类器，其中特征向量分量的加权和可以与门限进行比较，以预测输入属于哪一类。人类设计特征可以是由具有领域专长的工程师针对特定问题领域定制的模板或核心程序。相比之下，深度学习架构可以学习表示与人类工程师可能设计的特征类似的特征，但是通过训练来学习。此外，深度网络可以学习表示和识别人类可能尚未考虑的新类型的特征。

深度学习架构可以学习特征的层级。例如，如果利用视觉数据来呈现，则第一层可以学习识别在输入流中的相对简单的特征，比如边缘。在另一示例中，如果利用听觉数据来呈现，则第一层可以学习识别在特定的频率中的频谱功率。采用第一层的输出作为输入的第二层可以学习识别特征的组合，诸如用于视觉数据的简单形状或用于听觉数据的声音的组合。例如，更高的层可以学习在视觉数据中表示复杂的形状或在听觉数据中表示词语。更高的层还可以学习识别常见的视觉对象或口语短语。

当应用于具有自然层级结构的问题时，深度学习架构可以表现得特别好。例如，机动车辆的分类可以受益于首先学习识别车轮、挡风玻璃和其它特征。这些特征可以在更高层以不同的方式进行组合，以识别汽车、卡车和飞机。

神经网络可以被设计成具有多种连接模式。在前馈网络中，信息从较低层传递到较高层，其中，给定层中的每个神经元与较高层中的神经元进行通信。可以在前馈网络的连续层中建立分层表示，如上文所描述的。神经网络也可以具有循环或反馈(也被称为自顶向下)连接。在递归连接中，来自给定层中的神经元的输出可以被传送到相同层中的另一个神经元。递归架构可以有助于识别跨越按顺序被传递给神经网络的输入数据块中的多于一个输入数据块的模式。从在给定层中的神经元到在较低层中的神经元的连接被称为反馈(或自顶向下)连接。当对高级别概念的识别可以辅助辨别输入的特定的低级别特征时，具有许多反馈连接的网络可以是有帮助的。

神经网络的级别之间的连接可以是完全连接的或者局部连接的。图4A示出完全连接的神经网络402的示例。在完全连接神经网络402中，第一层中的神经元可以将其输出传送到第二层中的每个神经元，使得第二层中的每个神经元将接收来自第一层中的每个神经元的输入。图4B示出局部连接的神经网络404的示例。在局部连接的神经网络404中，在第一层中的神经元可以被连接到在第二层中的有限数量的神经元。更普遍地，局部连接的神经网络404的局部连接层可以被配置为使得在一层中的每个神经元将具有相同或相似的连接模式，但是具有可能带有不同的值(例如，410、412、414和416)的连接强度。局部连接的连接模式可以在较高层中造成空间上不同的感受野，因为在给定区域中的较高层神经元可以接收通过训练而被调谐到网络的总输入的受限部分的属性的输入。

局部连接的神经网络的一个示例是卷积神经网络。图4C示出了卷积神经网络406的示例。卷积神经网络406可以被配置为使得与第二层中的每个神经元的输入相关联的连接强度是共享的(例如，408)。卷积神经网络可能非常适合输入的空间位置有意义的问题。

一种类型的卷积神经网络是深度卷积网络(DCN)。图4D示出DCN 400的详细示例，DCN 500被设计为根据从图像捕获设备430(诸如车载相机)输入的图像426来识别视觉特征。当前示例的DCN 400可以被训练为识别交通标志和在交通标志上提供的数字。当然，DCN400可以被训练用于其它任务，诸如识别车道标线或识别交通灯。

DCN 400可以利用监督学习来训练。在训练期间，可以向DCN 400呈现图像(诸如限速标志的图像426)，并且然后可以计算前向传递以产生输出422。DCN 400可以包括特征提取部分和分类部分。在接收到图像426时，卷积层432可以将卷积内核(未示出)应用于图像426以生成第一特征图集合418。作为示例，用于卷积层432的卷积内核可以是生成28x28特征图的5x5内核。在本示例中，因为在第一特征图集合418中生成四个不同的特征图，所以在卷积层432处对图像426应用四个不同的卷积内核。卷积内核也可以被称为滤波器或卷积滤波器。

第一特征图集合418可以由最大池化层(未示出)二次采样以生成第二特征图集合420。最大池化层降低第一特征图集合418的大小。也就是说，第二特征图集合420的大小(诸如14x14)小于第一特征图集合418的大小(诸如28x28)。降低的大小向后续层提供类似的信息，同时减少存储器消耗。第二特征图集合420可以经由一个或多个后续卷积层(未示出)进一步被卷积以生成一个或多个后续特征图集合(未示出)。

在图4D的示例中，对第二特征图集合420进行卷积以生成第一特征向量424。此外，对第一特征向量424进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可以包括与图像426的可能特征相对应的数字，诸如"符号"、"60"和"100"。softmax函数(未示出)可以将第二特征向量428中的数字转换为概率。照此，DCN 400的输出422是图像426包括一个或多个特征的概率。

在本示例中，在输出422中针对“标志”和“60”的概率高于输出422中的其它项(诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前，由DCN 400产生的输出422可能是不正确的。因此，可以计算输出422和目标输出之间的误差。目标输出是图像426的基准真值(例如，“符号”和“60”)。然后，可以调整DCN 400的权重，这样DCN 400的输出422与目标输出更紧密地对准。

为了调整权重，学习算法可以计算用于权重的梯度向量。梯度可以指示在调整权重时误差将增加或减少的量。在顶层处，梯度可以直接对应于连接倒数第二层中激活的神经元和输出层中的神经元的权重的值。在较低层中，梯度可以取决于权重的值和较高层的计算误差梯度。然后可以调整权重以减少误差。这种调整权重的方式可以被称为“反向传播”，因为其涉及通过神经网络的“后向传递”。

在实践中，可以在少量示例上计算权重的误差梯度，使得计算出的梯度接近真实的误差梯度。这种近似方法可以被称为随机梯度下降。可以重复随机梯度下降，直到整个系统的可实现的误差率已经停止下降为止或直到误差率已经达到目标水平为止。在学习之后，DCN可以被呈现有新的图像(例如，图像426的限速标志)，并且前向传递通过网络可以产生输出422，该输出522可以被视为对DCN的推断或预测。

深度信念网络(DBN)是包括多层隐藏节点的概率模型。DBN可以被用于提取对训练数据集合的层级表示。DBN可以是通过将受限玻尔兹曼机(RBM)的各层进行叠加来获得的。RBM是一种人工神经网络，其可以学习一组输入的概率分布。由于RBM可以在没有关于每个输入应归入的类别的信息的情况下学习概率分布，因此RBM通常用于无监督学习。使用混合的无监督和监督范式，DBN的底部RBM可以以无监督的方式来训练并且可以充当特征提取器，以及顶部RBM可以以监督的方式来训练(基于来自先前层的输入和目标类别的联合分布)并且可以充当分类器。

深度卷积网络(DCN)是卷积网络的网络，其被配置有另外的池化层和归一化层。DCN在许多任务上已经实现最先进的性能。DCN可以使用监督学习来训练，在监督学习中，输入目标和输出目标两者对于许多范例是已知的并且被用于通过使用梯度下降方法来修改网络的权重。

DCN可以是前馈网络。此外，如上文所述，从DCN的第一层中的神经元到下一个更高层中的一组神经元的连接在第一层中的神经元之间共享。DCN的前馈和共享连接可用于快速处理。例如，DCN的计算负担可能比包括递归或反馈连接的类似大小的神经网络的计算负担小得多。

卷积网络的每一层的处理可以被认为是空间不变的模板或基础投影。如果首先将输入分解为多个通道(诸如彩色图像的红色、绿色和蓝色通道)，则对该输入训练的卷积网络可以被认为是三维的，其中两个空间维度沿着图像的轴线，以及第三维度捕捉彩色信息。卷积连接的输出可以被认为形成在后续层中的特征图，其中，特征图(例如，220)的每个元素接收来自在先前层中的一系列神经元(例如，特征图218)和来自多个通道中的每个通道的输入。在特征图中的值可以利用非线性(诸如校正max(0,x))来进一步处理。来自相邻神经元的值可以被进一步池化，这对应于下采样并且可以提供另外的局部不变性和降维。还可以通过特征图中的各神经元之间的侧向抑制应用归一化(其对应于白化)。

随着更多被标注的数据点变得可用或随着计算能力的增强，深度学习架构的性能也可以增强。现代深度神经网络常规地利用比仅十五年前典型的研究人员可用的计算资源高出数千倍的计算资源进行训练。新的架构和训练范式可以进一步提高深度学习的性能。校正的线性单元可以减少被称为梯度消失的训练问题。新的训练技术可以减少过度拟合，并且从而使得较大的模型能够实现较好的泛化。封装技术可以对给定感受野中的数据进行抽象，并且进一步提高整体性能。

图5是示出深度卷积网络550的框图。深度卷积网络550可以包括基于连接和权重共享的多个不同类型的层。如在图5中示出的，深度卷积网络550包括卷积块554A、554B。卷积块554A、554B中的每一者可以被配置有卷积层(CONV)356、归一化层(LNorm)558和最大池化层(MAX POOL)560。

卷积层556可以包括一个或多个卷积滤波器，所述一个或多个卷积滤波器可以被应用于输入数据以生成特征图。虽然仅示出卷积块中的两个卷积块554A、554B，但是本公开内容并不如此限制，而是相反地，根据设计偏好，任何数量的卷积块554A、554B可以被包括在深度卷积网络550中。归一化层558可以将卷积滤波器的输出归一化。例如，归一化层558可以提供白化或侧向抑制。最大池化层560可以提供在空间上的下采样聚合以得到局部不变性和降维。

例如，深度卷积网络的并行滤波器组可以被加载在SOC 300的CPU 302或GPU 304上，以实现高性能和低功耗。在替代的实施例中，并行滤波器组可以被加载在SOC 300的DSP306或ISP 316上。此外，深度卷积网络550可以访问可以在SOC 300上存在的其它处理块，诸如分别专用于传感器和导航的传感器处理器314和导航模块320。

深度卷积网络550还可以包括一个或多个完全连接层562(FC1和FC2)。深度卷积网络550可以进一步包括逻辑回归(LR)层564。在深度卷积网络550的每个层556、558、560、562、564之间是要被更新的权重(未示出)。这些层(例如，556、558、560、562、564)中的每个层的输出可以充当在深度卷积网络550的这些层(例如，556、558、560、562、564)中的随后一个层的输入，以从在最初的卷积块554A处提供的输入数据552(例如，图像、音频、视频、传感器数据和/或其它输入数据)学习层级特征表示。深度卷积网络550的输出是针对输入数据552的分类得分566。分类得分566可以是概率集合，其中每个概率是输入数据包括来自特征集合中的特征的概率。

如上所述，提供图3-5仅作为示例。其他示例可以与关于图3-5描述的示例不同。

可以采用机器学习技术来改进无线通信。例如，机器学习可以辅助信道状态反馈、压缩、以及涉及无线通信的其他功能。基站可以采用机器学习技术，用户设备(UE)也可以采用机器学习技术。

可以在UE侧配置和触发多个机器学习模型。可以针对不同的应用功能指定多个机器学习模型。机器学习模型可以是用于相同应用功能的不同版本。可以为不同的泛化能力提供不同的模型。例如，机器学习模型可以是UE特定的或小区特定的。模型可以具有不同的复杂度。例如，一些模型可能适合于低层UE，诸如物联网(IoT)设备，而其他模型可能非常适合于高级电话或更强大的设备。

这种不同的机器学习模型可以被分类为不同的组。例如，组可以是基于具有一个基线机器学习组和一个或多个高级机器学习组的模型复杂度的。分类可以是基于机器学习部署条件的。例如，可以存在小区特定的机器学习组、UE特定的机器学习组、室内场景机器学习组、室外场景机器学习组、或其他组。还可以基于回退事件(例如，机器学习失败时发生的事件)来对模型进行分组。这些组可以包括回退到机器学习组的模型、回退到非机器学习组的模型、回退到正常机器学习组的模型以及回退到高级机器学习组的模型。

在部署期间，UE可能需要快速切换机器学习组以适应不同的条件和规范。举例来说，如果UE当前正在执行室外特定机器学习模型，那么从室外移动到内部(诸如到商场)的UE在进入商场之后可能需要切换到室内特定模型。为了实现快速切换，将机器学习模型分类为室外组或室内组，并且UE从室外组切换到室内组。

图6是示出根据本公开内容的各方面的基于模型复杂度的分组的框图。在图6中，机器学习模型被分成不同的组。每个组被映射到一个特定的复杂度级别。组0可以是默认级别，即具有最低复杂度要求的最低级别。来自组0的性能可以是基线性能水平。组N和组M是高级组，具有较高的复杂度要求。低层UE可能不支持高级组，尽管这些组将提供更好的性能。如图6的示例中所示，每个组至少包括用于定位的模型(模型-P)、用于信道状态反馈(CSF)的模型(模型-C)、用于切换的模型(模型-H)和用于波束管理的模型(模型-B)。可以存在除图6所示之外的其他分组规则。分组可以是基于一个规则或规则组合的。

在基于图6中看到的复杂度分组规则的示例中，可以在功率节省模式下使用组0。如果UE正在运行来自组N的模型，则一旦UE回退到省电模式，工作组将切换到组0。因此，UE不必要更新每个模型以匹配功率节省模式。而是，UE仅切换到对应的模型组。在模型更新期间还看到模型分组的益处。由于定义了多个不同的模型，因此如果每个模型被更新，则模型下载和配置将导致更大的信令成本。因此，更新可以是基于组的。机器学习模型是数据驱动的解决方案。因此，通常，每个特定条件具有对应的模型。结果，针对一个特定条件优化的不同模型可以被分类为一个组。

应当注意，作为特殊情况，每个模型组可以包含单个模型。此外，每个模型组可以包含多个模型，每个模型用于不同的应用，诸如CSI、定位等。传统非机器模型算法可以被考虑作为特殊模型组。

模型可以被分类成不同的组，例如，利用标准化或利用无线电资源控制(RRC)信令。模型组之间的切换可以是基于RRC信令、介质访问控制(MAC)控制元素(MAC-CE)和/或物理下行链路控制信道(PDCCH)中的下行链路控制信息(DCI)的。RRC信令或基于MAC-CE的解决方案可能不总是足够灵活或足够快速以触发切换动作。虽然DCI可以提供快速灵活的配置，但是在DCI中存在用于模型组切换的有限资源。

本公开内容的各方面利用PDCCH来配置模型组切换。配置PDCCH模型切换的资源成本较低。此外，可以提供灵活配置。在组中的一个组用于传统算法的情况下，本公开内容的各方面提供了支持在机器学习组与传统算法之间的切换的另一种方式。

根据本公开内容的各方面，PDCCH被用于在模型组之间切换。在第一选项中，当PDCCH还调度数据时，向PDCCH添加额外字段以指示要切换到哪个模型组。图7是示出根据本公开内容的各方面的示例下行链路控制信息(DCI)消息的框图。在图7中，第一DCI消息710包括模型组字段715。字段大小可以是可配置的。例如，可以一起配置多个组(例如，针对不同的应用)。因为增加DCI大小将增加PDCCH的码率并影响解码性能，所以字段大小受到限制。在本公开内容的一些方面中，标准可以在PDCCH中定义新的DCI字段以触发组切换。新DCI字段中的显式信令提供了清楚配置。

在第二选项中，当PDCCH不调度数据时，不提供额外字段来指示切换。在该选项中，调度相关字段可以指示模型组。这些调度相关字段可以包括诸如用于调制和编码方案(MCS)、新数据指示符(NDI)、冗余版本(RV)、混合自动重传请求(HARQ)进程号、天线端口等的字段。因为DCI大小未增加，所以该第二选项可以指示比第一选项更多的组。由于没有调度的数据，因此可以重用用于数据调度的相关DCI字段来指示模型组切换。例如，网络可以重用MCS字段来触发模型组切换。利用第二选项，标准化定义或一些信令应当指示重用哪个DCI字段。当没有数据调度时，标准可以定义哪个字段可以被重用于数据调度。替代地，RRC、MAC-CE或DCI信令可以配置哪个UE可以使用哪个字段来检测模型组切换指示。

如果第一选项和第二选项两者都被配置给UE，则降低PDCCH解码复杂度的一种技术包括在选项二DCI中插入零以填充选项二DCI。因此，第一选项DCI格式和第二选项DCI格式具有相同的长度。在这种情况下，UE可以执行一次盲解码以解码两种DCI格式。如图7所示，选项二DCI消息720包括零填充725以降低用于解码PDCCH的复杂度。UE可以支持针对两种DCI格式(第一选项和第二选项)的HARQ报告，以确认DCI的成功接收。

第一选项和第二选项之间的核心差异是是否发生数据调度。作为结果，确定是否存在数据调度可以区分这两个选项。根据本公开内容的各方面，如果两种DCI格式的大小相同，则频域资源指派(FDRA)字段可以在第一选项和第二选项之间进行区分。由于第一选项中存在数据调度，因此应当准确地配置频域资源分配。当类型一资源分配(起始资源块和连续资源块数量)被用于调度时，如果在PDCCH DCI格式1_1中的频域资源分配字段被设置为全一，则频域资源分配无效。在这种情况下，数据调度未发生，因此选项二DCI格式适用。当类型零资源分配(用于资源块分配的位图)被用于调度时，如果在PDCCH DCI格式1_1中的频域资源分配字段被设置为全零，则频域资源分配无效。在这种情况下，数据调度未发生，因此选项二DCI格式适用。例如，当使用类型一资源分配，并且在格式1_1中的频域资源分配字段被设置为全一时，不存在数据调度，并且第二选项格式被用于模型组切换。

根据本公开内容的各方面，指示机器学习模型切换的持续时间。在一些方面中，PDCCH可以另外地指示针对所指示的模型组生效的持续时间。在其他方面中，RRC信令配置该持续时间。在其他方面中，DCI指示从RRC配置的持续时间值的集合中选择一个持续时间值。在其他方面中，持续时间被隐式地设置。在这些方面中，持续时间在DCI被接收之后开始，并且继续直到连接模式非连续接收(C-DRX)活动时间的结束。在一些情况下，可以引入应用延迟。

切换可以是基于配置的组的数量的。例如，如果配置了两个组，则在持续时间到期之后，UE切换回另一个组。如果一个组被配置并且PDCCH指示机器学习组，则在持续时间到期之后，UE切换回非机器学习算法。如果配置了一个组并且PDCCH指示了传统算法，则UE在持续时间到期之后切换到机器学习组。如果配置了一个以上的组，则在持续时间到期之后，UE切换回默认模型组。

图8是示出根据本公开内容的各方面的机器学习模型组切换的框图。在图8的示例中，存在两个机器学习组：下行链路(DL)模型组和上行链路(UL)模型组。在该示例中，组切换通过响应于PDCCH指示切换组来遵循下行链路和上行链路时隙的持续时间。更具体地，在下行链路时隙结束之后，模型组基于PDCCH信令从下行链路组切换到上行链路组。例如，在时间t1处，PDCCH指示后续下行链路时隙的持续时间。基于该指示，UE在时间t2处使用下行链路模型组，直到持续时间到期。在时间t2处，UE切换到上行链路模型组。在时间t3处，另一PDCCH到达，指示下一下行链路时隙的持续时间。在时间t3处接收到新PDCCH时，UE在达下行链路时隙的持续时间时切换到下行链路模型组(直到时间t4)。在时间t4处，UE切换到上行链路模型组。

根据本公开内容的进一步的方面，当定时器到期时而不是在持续时间之后，发生模型组切换。在这些方面中，定时器值在其被设置为初始定时器值之后开始减小。当某些事件发生时，定时器重置。例如，当UE接收到调度物理下行链路共享信道(PDSCH)或物理上行链路共享信道(PUSCH)的PDCCH时，定时器可以重置。在这些情况中的任一者中，重置可以进一步指定高于门限的调制和编码方案(MCS)。例如，当PDSCH被调度为具有良好的信道质量(例如，MCS高于门限)时，将触发针对PDSCH的具有更好性能的模型组，以及定时器被重置并开始减小。在另一示例中，当UE接收到调度具有高于门限的秩的PDSCH的PDCCH时，定时器重置。

一旦定时器到期，UE就切换到另一模型组，该另一模型组被假定为较低复杂度和较低性能。例如，如果触发高频谱效率或高吞吐量通信，则UE应当以更好的性能操作。在一个示例中，当通过选择更好的模型组来触发更高的频谱效率或更高的吞吐量性能时，UE更准确地估计信道响应和信道状态信息(CSI)。

在本公开内容的其他方面中，PDCCH相关联的机器学习组切换是基于PDCCH参数的。在3GPP标准中，不同的PDCCH搜索空间集合、下行链路控制信息(DCI)类型、聚合等级或其他PDCCH参数表示不同类型的条件。本公开内容的各方面将此类条件与不同的模型组相关联。例如，DCI格式1_1将获取对在一个小区中的物理下行链路共享信道(PDCSH)的调度的信息。在另一示例中，针对低层UE配置受限的搜索空间集。因此，PDCCH参数和机器学习组可以是彼此相关联的。基于PDCCH配置的模型组切换可以涉及搜索空间集、DCI格式和聚合等级。

根据本公开内容的各方面，PDCCH参数与机器学习组之间的关联规则被标准化。在这些方面中，一旦配置了特定PDCCH参数，就触发对应的机器学习组。例如，当仅配置了公共搜索空间集时，仅触发基本功能模型组，或者将触发低复杂度模型组。作为另一示例，如果UE特定搜索空间集被配置用于物理下行链路共享信道(PDSCH)，则触发高级下行链路(DL)模型组以追求更好的性能。换句话说，UE从基础模型组切换。在本公开内容的这些方面中，相关联的模型组遵循对应的PDCCH配置，诸如可用时间、模式或其他配置。

在本公开内容的进一步的方面中，PDCCH相关联的机器学习组切换是基于搜索空间集组(SSSG)的。3GPP版本17定义了搜索空间集组切换和跳过。定义了两个搜索空间集组，并且触发切换以适应不同的条件。搜索空间集切换和跳过是为了更低的复杂度和功率节省。根据这些方面，定义了在模型组和搜索空间集组之间的映射。模型组切换可以是与传统搜索空间集组切换和跳过模式相关联的。例如，一些模型组(例如，模型1-5)可以被映射到搜索空间集组中的组0，而其他机器学习模型组(例如，模型6-10)可以被映射到另一搜索空间集组。当搜索空间集组0切换到搜索空间集组1时，触发对应的模型组(例如，模型6-10)。

图9是根据本公开内容的各方面，示出例如由用户设备(UE)执行的示例过程900的流程图。示例过程900是用于指示在机器学习(ML)模型组之间的切换的物理下行链路控制信道(PDCCH)的示例。过程900的操作可以由UE 120来实现。

在框902处，用户设备接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息。例如，UE(例如，使用天线252、DEMOD/MOD 254、MIMO检测器256、接收处理器258、控制器/处理器280和/或存储器282)可以接收PDCCH。在一些方面中，当PDCCH调度针对UE的数据传输时，该指示在由PDCCH传达的下行链路控制信息(DCI)字段内。在其他方面中，当PDCCH未调度针对UE的数据传输时，该指示在由PDCCH传达的调度相关字段内。可以填充没有用以容纳指示的字段的第二下行链路控制信息(DCI)消息，以具有与包括用以容纳指示的字段的第一DCI消息相同的大小。UE可以基于频域资源指派(FDRA)来确定指示是在第一DCI消息还是第二DCI消息内。PDCCH还可以指示对于使用机器学习模型组的时间段。

在框904处，用户设备响应于接收到PDCCH而切换到机器学习模型组。例如，UE(例如，使用控制器/处理器280和/或存储器282)可以切换到机器学习模型组。在一些方面中，UE可以在时间段到期之后切换到两个机器学习模型组中的第二组。在其他方面中，UE可以在时间段到期之后切换到三个或更多个机器学习模型组中的默认组。在其他方面中，UE可以响应于切换到机器学习模型组而启动定时器，并且在定时器到期时切换到另一机器学习模型组。

在以下编号的条款中描述了实施方式示例。

1.一种由用户设备(UE)进行无线通信的方法，包括：

接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息；以及

响应于接收到所述PDCCH，来切换到所述机器学习模型组。

2.根据条款1所述的方法，其中，所述指示在由调度针对所述UE的数据传输的所述PDCCH传达的下行链路控制信息(DCI)字段内。

3.根据条款1或2所述的方法，其中，所述指示在由未调度针对所述UE的数据传输的所述PDCCH传达的调度相关字段内。

4.根据前述条款中任一条款所述的方法，其中，不具有用以容纳所述指示的字段的第二下行链路控制信息(DCI)消息包括填充，并且是与包括用以容纳所述指示的所述字段的第一DCI消息的大小相同的。

5.根据前述条款中任一条款所述的方法，还包括：基于频域资源分配(FDRA)来确定所述指示是在所述第一DCI消息内还是在所述第二DCI消息内。

6.根据前述条款中任一条款所述的方法，其中，所述PDCCH还指示对于使用所述机器学习模型组的时间段。

7.根据前述条款中任一条款所述的方法，还包括在所述时间段到期之后切换到两个机器学习模型组中的第二组。

8.根据前述条款中任一条款所述的方法，还包括在所述时间段到期之后切换到三个或更多个机器学习模型组中的默认组。

9.根据前述条款中任一条款所述的方法，还包括经由无线电资源控制(RRC)信令接收对于使用所述机器学习模型组多长时间的时间段。

10.根据条款1-8中任一条款所述的方法，还包括经由DCI接收对于使用所述机器学习模型组多长时间的时间段，所述DCI选择经由RRC信令接收的时间段值集合中的一个时间段值。

11.根据条款1-8中的任一条款的方法，还包括：

当切换到所述机器学习模型组时，启动定时器；

在所述定时器到期时切换到另一机器学习模型组。

12.根据前述条款中任一条款所述的方法，其中，所述指示包括PDCCH参数，所述PDCCH参数包括搜索空间集、DCI类型或聚合等级中的一者。

13.根据条款1-11中任一条款所述的方法，其中，所述指示包括用于搜索空间集组的PDCCH参数。

14.一种用于由用户设备(UE)进行的无线通信的装置，包括：

存储器；以及

耦合到所述存储器的至少一个处理器，所述至少一个处理器被配置为：

接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息；以及

响应于接收到所述PDCCH，来切换到所述机器学习模型组。

15.根据条款14所述的装置，其中，所述指示在由调度针对所述UE的数据传输的所述PDCCH传达的下行链路控制信息(DCI)字段内。

16.根据条款14或15所述的装置，其中，所述指示在由未调度针对所述UE的数据传输的所述PDCCH传达的调度相关字段内。

17.根据条款14-16中任一条款所述的装置，其中，不具有包括所述指示的字段的第二下行链路控制信息(DCI)消息包括填充并且具有与包括包括所述指示的所述字段的第一DCI消息相同的大小。

18.根据条款14-17中任一条款所述的装置，其中，所述至少一个处理器还被配置为：基于频域资源分配(FDRA)来确定所述指示是在所述第一DCI消息内还是在所述第二DCI消息内。

19.根据条款14-18中任一条款所述的装置，其中，所述PDCCH还指示对于使用所述机器学习模型组的时间段。

20.如条款14-19中任一条款所述的装置，其中，所述至少一个处理器还被配置为在所述时间段到期之后，切换到两个机器学习模型组中的第二组。

21.根据条款14-20中任一条款所述的装置，其中，所述至少一个处理器还被配置为在所述时间段到期之后，切换到三个或更多个机器学习模型组中的默认组。

22.根据条款14-21中任一条款所述的装置，其中，所述至少一个处理器还被配置为：经由无线资源控制(RRC)信令来接收对于使用所述机器学习模型组多长时间的时间段。

23.根据条款14-21中任一条款所述的装置，其中，所述至少一个处理器还被配置为：经由DCI接收对于使用所述机器学习模型组多长时间的时间段，所述DCI选择经由无线资源控制(RRC)信令接收的持续时间值集合中的一个持续时间值。

24.根据条款14-21中任一条款所述的装置，其中，所述至少一个处理器还被配置为：

响应于切换到所述机器学习模型组，来启动定时器；

在所述定时器到期时切换到另一机器学习模型组。

25.根据条款14-24中任一条款所述的装置，其中，所述指示包括PDCCH参数，所述PDCCH参数包括搜索空间集、DCI类型或聚合等级中的一者。

26.根据条款14-24中任一条款所述的装置，其中，所述指示包括用于搜索空间集组的PDCCH参数。

27.一种用于由用户设备(UE)进行的无线通信的装置，包括：

接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息；以及

响应于接收到所述PDCCH，来切换到所述机器学习模型组。

28.根据条款27所述的装置，其中，所述指示在由调度针对所述UE的数据传输的所述PDCCH传达的下行链路控制信息(DCI)字段内。

29.根据条款27或28所述的装置，其中，所述指示在由未调度针对所述UE的数据传输的所述PDCCH传达的调度相关字段内。

30.根据条款27、28或29所述的装置，其中，第二下行链路控制信息(DCI)消息不具有包括所述指示的字段，其中，所述第二DCI消息被填充为具有与包含包括所述指示的所述字段的第一DCI消息相同的大小。

上述公开内容提供了说明和描述，但不旨在是详尽的或将各方面限制为公开的精确形式。按照上文公开内容，可以进行修改和变型，或者可以从对各方面的实践中获取修改和变型。

如所使用的，术语“组件”旨在被广义地解释为硬件、固件、和/或硬件和软件的组合。如所使用的，处理器是利用硬件、固件、和/或硬件和软件的组合来实现的。

结合门限描述了一些方面。如所使用的，根据上下文，满足门限可以指代值大于门限、大于或等于门限、小于门限、小于或等于门限、等于门限、不等于门限等等。

将显而易见的是，所描述的系统和/或方法可以以不同形式的硬件、固件以及硬件和软件的组合来实现。用于实现这些系统和/或方法的实际的专门的控制硬件或软件代码不是对各方面进行限制。因此，在不引用特定软件代码的情况下描述了系统和/或方法的操作和行为，要理解的是，软件和硬件可以被设计为至少部分地基于描述来实现系统和/或方法。

即使在权利要求书中记载了和/或在说明书中公开了特征的特定组合，这些组合也不旨在限制各个方面的公开内容。事实上，这些特征中的许多特征可以是以未具体地在权利要求书中阐述和/或在说明书中公开的方式来组合的。虽然下文所列出的每个从属权利要求可以直接地从属于仅一个权利要求，但是各个方面的公开内容包括与在权利要求集合中的每一个其它权利要求相结合的各个从属权利要求。提及项目列表中的“至少一个”的短语是指那些项目的任何组合，包括单个成员。例如，“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c、以及具有多个相同元素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c或a、b和c的任何其它排序)。

使用的任何元素、动作或指令都不应当被解释为关键的或必要的，除非明确地如此描述。此外，如所使用的，冠词“一(a)”和“一(an)”旨在包括一个或多个项目，并且可以与“一个或多个”可互换地使用。此外，如所使用的，术语“集合”和“群组”旨在包括一个或多个项目(例如，相关项目、无关项目、相关项目和无关项目的组合、和/或类似项目)，并且可以与“一个或多个”可互换地使用。在仅预期一个条目的情况下，使用短语“仅一个”或类似语言。此外，如所使用的，术语“具有(has)”、“具有(have)”、“具有(having)”和/或类似术语旨在是开放式术语。此外，除非另有明确声明，否则短语“基于”旨在意指“至少部分地基于”。

Claims (30)

1.一种由用户设备(UE)进行无线通信的方法，包括：

接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息；以及

响应于接收到所述PDCCH，来切换到所述机器学习模型组。

2.如权利要求1所述的方法，其中，所述指示是在由正在调度针对所述UE的数据传输的所述PDCCH传达的下行链路控制信息(DCI)字段内的。

3.如权利要求1所述的方法，其中，所述指示是在由未正在调度针对所述UE的数据传输的所述PDCCH传达的调度相关字段内的。

4.如权利要求1所述的方法，其中，不具有包括所述指示的字段的第二下行链路控制信息(DCI)消息包括填充并且与包括包含所述指示的所述字段的第一DCI消息大小相同。

5.如权利要求4所述的方法，还包括：基于频域资源指派(FDRA)来确定所述指示是在所述第一DCI消息还是所述第二DCI消息内的。

6.如权利要求1所述的方法，其中，所述PDCCH还指示用于使用所述机器学习模型组的时间段。

7.如权利要求6所述的方法，还包括：在所述时间段到期之后切换到两个机器学习模型组中的第二组。

8.如权利要求6所述的方法，还包括：在所述时间段到期之后切换到三个或更多个机器学习模型组中的默认组。

9.如权利要求1所述的方法，还包括：经由无线电资源控制(RRC)信令来接收对于使用所述机器学习模型组多长时间的时间段。

10.如权利要求1所述的方法，还包括：经由DCI来接收对于使用所述机器学习模型组多长时间的时间段，所述DCI选择经由无线电资源控制(RRC)信令接收的持续时间值集合中的一个持续时间值。

11.如权利要求1所述的方法，还包括：

响应于切换到所述机器学习模型组，启动定时器；

在所述定时器到期时切换到另一机器学习模型组。

12.如权利要求1所述的方法，其中，所述指示包括PDCCH参数，所述PDCCH参数包括搜索空间集、DCI类型、或聚集等级中的一者。

13.如权利要求1所述的方法，其中，所述指示包括用于搜索空间集的PDCCH参数。

14.一种用于由用户设备(UE)进行的无线通信的装置，包括：

存储器；以及

耦合到所述存储器的至少一个处理器，所述至少一个处理器被配置为：

接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息；以及

响应于接收到所述PDCCH，来切换到所述机器学习模型组。

15.如权利要求14所述的装置，其中，所述指示是在由正在调度针对所述UE的数据传输的所述PDCCH传达的下行链路控制信息(DCI)字段内的。

16.如权利要求14所述的装置，其中，所述指示是在由未正在调度针对所述UE的数据传输的所述PDCCH传达的调度相关字段内的。

17.如权利要求14所述的装置，其中，不具有包括所述指示的字段的第二下行链路控制信息(DCI)消息包括填充并且与包括包含所述指示的所述字段的第一DCI消息大小相同。

18.如权利要求17所述的装置，其中，所述至少一个处理器还被配置为基于频域资源指派(FDRA)来确定所述指示是在所述第一DCI消息内还是在所述第二DCI消息内。

19.如权利要求14所述的装置，其中，所述PDCCH还指示对于使用所述机器学习模型组的时间段。

20.如权利要求19所述的装置，其中，所述至少一个处理器还被配置为在所述时间段到期之后切换到两个机器学习模型组中的第二组。

21.如权利要求19所述的装置，其中，所述至少一个处理器还被配置为在所述时间段到期之后切换到三个或更多个机器学习模型组中的默认组。

22.如权利要求14所述的装置，其中，所述至少一个处理器还被配置为经由无线电资源控制(RRC)信令来接收对于使用所述机器学习模型组多长时间的时间段。

23.如权利要求14所述的装置，其中，所述至少一个处理器还被配置为经由DCI来接收对于使用所述机器学习模型组多长时间的时间段，所述DCI选择经由无线电资源控制(RRC)信令接收的持续时间值集合中的一个持续时间值。

24.如权利要求14所述的装置，其中，所述至少一个处理器还被配置为：

响应于切换到所述机器学习模型组，来启动定时器；

在所述定时器到期时切换到另一机器学习模型组。

25.如权利要求14所述的装置，其中，所述指示包括PDCCH参数，所述PDCCH参数包括搜索空间集、DCI类型、或聚集等级中的一者。

26.如权利要求14所述的装置，其中，所述指示包括用于搜索空间集组的PDCCH参数。

27.一种用于由用户设备(UE)进行的无线通信的装置，包括：

用于接收包括对机器学习模型组的指示的物理下行链路控制信道(PDCCH)消息的单元；以及

用于响应于接收到所述PDCCH来切换到机器学习模型组的单元。

28.如权利要求27所述的装置，其中，所述指示是在由正在调度针对所述UE的数据传输的所述PDCCH传达的下行链路控制信息(DCI)字段内的。

29.如权利要求27所述的装置，其中，所述指示是在由未正在调度针对所述UE的数据传输的所述PDCCH传达的调度相关字段内的。

30.如权利要求27所述的装置，其中，不具有包括所述指示的字段的第二下行链路控制信息(DCI)消息，其中，所述第二DCI消息被填充为具有与包括包含所述指示的所述字段的第一DCI消息相同的大小。