特許ウォッチ

公開番号2025134929
公報種別公開特許公報(A)
公開日2025-09-17
出願番号2025106234,2023557930
出願日2025-06-24,2022-10-18
発明の名称無線端末およびその方法
出願人日本電気株式会社
代理人個人
主分類H04W 48/16 20090101AFI20250909BHJP(電気通信技術)
要約【課題】訓練された機械学習モデルによる予測又は決定に基づいてアクションを行うことが無線端末に許可されるか否かを制御することをネットワーク(e.g.,無線アクセスネットワーク(RAN)ノード)に可能にする。
【解決手段】無線端末は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報をネットワークから受信する。無線端末は、訓練された機械学習モデルを用いて予測又は決定を行う。受信した制御情報がそれを許可しているなら、無線端末は、機械学習モデルによる予測又は決定によりトリガーされた特定のアクションを行う。特定のアクションは、例えば、訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報をネットワークに送信することを含む。
【選択図】図3
特許請求の範囲【請求項１】
無線端末であって、
特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信する手段と、
訓練された機械学習モデルを用いて予測又は決定を行う手段と、
前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行う手段と、
を備え、
前記特定のアクションは、前記訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報を前記ネットワークに送信することを含む、
無線端末。
続きを表示（約 940 文字）【請求項２】
前記制御情報は、前記特定のアクションを含む複数のアクションのために前記機械学習ベース人工知能を使用することの許可を一括して示す、
請求項１に記載の無線端末。
【請求項３】
前記制御情報は、前記推論結果に基づく前記特定のアクションの実行が許可される場合に前記ネットワークによって送信される、
請求項１に記載の無線端末。
【請求項４】
前記支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練又は前記無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用される、
請求項１に記載の無線端末。
【請求項５】
無線端末により行われる方法であって、
特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと、を備え、
前記特定のアクションは、前記訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報を前記ネットワークに送信することを含む、
方法。
【請求項６】
前記制御情報は、前記特定のアクションを含む複数のアクションのために前記機械学習ベース人工知能を使用することの許可を一括して示す、
請求項５に記載の方法。
【請求項７】
前記制御情報は、前記推論結果に基づく前記特定のアクションの実行が許可される場合に前記ネットワークによって送信される、
請求項５に記載の方法。
【請求項８】
前記支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練又は前記無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用される、
請求項５に記載の方法。

発明の詳細な説明【技術分野】
【０００１】
本開示は、無線通信ネットワークに関し、特に無線通信ネットワークへの人工知能（artificial intelligence（AI））の適用に関する。
続きを表示（約 4,000 文字）【背景技術】
【０００２】
3rd Generation Partnership Project (3GPP（登録商標）)は、AI又は機械学習（machine learning（ML）の5Gへの適用（application）又は導入(introduction)について議論している。AI/MLは、ネットワーク内部機能(internal functions)及びエアインタフェース（i.e., Uu）の両方のために考慮することができる。3GPP Release 17では、Radio Access Network (RAN) Working Group #3 (RAN3) は、User Equipment（UE）関与無しのネットワークベース（network-based）AI/MLについて議論しており、ここでのターゲットの例は、省エネルギー（energy saving）、負荷分散（load balancing）、及びモビリティ最適化（mobility optimization）を含む（例えば非特許文献１及び２を参照）。Network-based AI/MLでは、ネットワークがAI/ML推論（inference）を実行する。AI/ML推論は、訓練された（trained）機械学習モデルに基づく予測又は決定を意味する。AI/ML推論機能は、Next Generation Radio Access Network（NG-RAN）（e.g., gNB）に配置されてもよい。機械学習モデルのトレーニングは、NG-RANで行われてもよい。あるいは、Operation, Administration and Maintenance（OAM）が機械学習モデルをトレーニングし、訓練された機械学習モデル（i.e., 訓練されたパラメータ（parameters））をNG-RAN（e.g., gNB）に供給してもよい。
【０００３】
さらに、3GPP Release 18のために、UE関与を伴うnetwork-based AI/ML及びUEベース（UE-based）のAI/MLが提案されている（例えば、非特許文献３－５を参照）。UE-based AI/MLでは、UEがAI/ML推論（inference）を実行する。エアインタフェースのためのAL/MLの可能性のあるユースケースは、Channel State Information（CSI）フィードバック圧縮（compression）、ビーム管理（management）、ポジショニング、Reference signal（RS）オーバヘッド削減（reduction）、及びモビリティを含む。UE-based AI/MLでは、UEは、AIモデル（i.e., 訓練された機械学習モデル）を実行（run）し、AI推論結果をローカルで取得する。例えば、UEは、過去の測定に基づいて将来のイベント又は測定（measurement）を予測できる。UEは、予測された結果（e.g., モビリティ又はビームの予測）をネットワーク（e.g., gNB）にフィードバックすることができる。
【先行技術文献】
【非特許文献】
【０００４】
CMCC, "Revised SID: Study on enhancement for data collection for NR and ENDC", RP-201620, 3GPP TSG-RAN Meeting #89e, Electronic meeting, September 14-18, 2020
3GPP TR 37.817 V0.3.0 (2021-08) "3rd Generation Partnership Project; Technical Specification Group RAN; Evolved Universal Terrestrial Radio Access (E-UTRA) and NR; Study on enhancement for Data Collection for NR and EN-DC (Release 17)", September 23, 2021
Ericsson, "Views on Rel-18 AI/ML on Air-Interface", RP-212346, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021
ZTE, "Support of Artificial Intelligence Applications for 5G Advanced", RP-212383, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021
Xiaomi, "Mobility enhancement by UE based AI", RP-211787, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021
【発明の概要】
【発明が解決しようとする課題】
【０００５】
本件発明者は、UE-based AI/MLについて検討し、様々な課題を見出した。これらの課題の１つは、UE-based AI/MLの実行条件に関する。例えば、UEは、機械学習モデルを用いた予測又は決定に基づいて何らかのアクションを実行する。しかしながら、このUEのアクションがネットワークとのインタラクションをもたらす、又はネットワークの性能に影響を与える可能性がある場合、UEが当該アクションを自由に行うことは適切でないかもしれない。あるいは、3GPP仕様書に定義されたルール（又は基準又は数式）によってトリガーされる代わりに、AI推論によってトリガーされるアクションをUEが自由に行うことは適切でないかもしれない。3GPP仕様書に定義されたルール（又は基準又は数式）によってトリガーされるアクションは、例えば、ハンドオーバのための測定報告の送信、条件付き（conditional）モビリティの実行、ビーム選択、及びセル（再）選択を含む。
【０００６】
本明細書に開示される実施形態が達成しようとする目的の１つは、上述された課題を含むUE-based AI/MLに関する複数の課題のうち少なくとも１つを解決することに寄与する装置、方法、及びプログラムを提供することである。なお、この目的は、本明細書に開示される複数の実施形態が達成しようとする複数の目的の１つに過ぎないことに留意されるべきである。その他の目的又は課題と新規な特徴は、本明細書の記述又は添付図面から明らかにされる。
【課題を解決するための手段】
【０００７】
第１の態様では、無線端末は、少なくとも１つのメモリ、及び前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサを含む。前記少なくとも１つのプロセッサは、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信するよう構成される。前記少なくとも１つのプロセッサは、訓練された機械学習モデルを用いて予測又は決定を行うよう構成される。前記少なくとも１つのプロセッサは、前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うよう構成される。
【０００８】
第２の態様では、無線端末により行われる方法は、以下のステップを含む：
（ａ）特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
（ｂ）訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
（ｃ）前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと。
【０００９】
第３の態様では、無線アクセスネットワーク（RAN）ノードは、少なくとも１つのメモリ、及び前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサを含む。前記少なくとも１つのプロセッサは、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信するよう構成される。前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす。
【００１０】
第４の態様では、RANノードにより行われる方法は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信することを含む。前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす。
（【００１１】以降は省略されています）

関連特許