Este modelo de medición de la máquina de avanzada, que permite una mayor eficiencia, linealidad y pureza espectral del sistema, es fundamental para el diseño de sistemas, la complejidad de la memoria y la sensibilidad para las condiciones de funcionamiento, como la temperatura y el voltaje de la máquina de la fuente.

Comprender los amplificadores de poder y su comportamiento no lineal

Los amplificadores de potencia están diseñados para aumentar el nivel de potencia de una señal de entrada con mínima distorsión y alta eficiencia. En la práctica, todos los PA muestran cierto grado de no linealidad, que se hace más pronunciada como puntos de operación acerca de saturación. La no linealidad se manifiesta de varias maneras, la más importante es la distorsión de amplitud a amplitud (AM/AM).

  • La distorsión de AM/AM describe cómo la amplitud de salida cambia en relación con la amplitud de entrada. En un amplificador lineal ideal, la relación es una línea recta; en una PA real, la ganancia se comprime para grandes amplitudes de entrada, lo que conduce a la distorsión.
  • La distorsión de M/PM capta el cambio de fase introducido por el amplificador como función de amplitud de entrada. Esta distorsión de fase puede degradar significativamente el rendimiento del sistema, especialmente en los formatos de modulación modernos que utilizan la amplitud y la fase.
  • Los efectos de memoria] se refieren a la dependencia de la salida de PA en las señales de entrada pasadas. Estos surgen de dinámicas térmicas, circuitos de sesgo y captura de carga en dispositivos semiconductores, y contribuyen a la revuelta e interferencia espectral.

Para modelar eficazmente una PA, cualquier representación debe tener en cuenta estas no linealidades y efectos de memoria. Los enfoques tradicionales, mientras que útiles en muchos escenarios, a menudo requieren un ajuste de parámetro extenso y puede no generalizar bien a las condiciones de funcionamiento variables o señales de banda ancha.

Técnicas de modelado tradicionales y sus limitaciones

Modelos de la serie Volterra

La serie Volterra es un marco matemático clásico para modelar sistemas no lineales con memoria. Expresa la salida como una suma de multidimensionales componentes de la entrada. Para los amplificadores de potencia, los modelos truncados Volterra pueden capturar tanto los efectos de la no linearidad como de la memoria hasta un determinado orden. Sin embargo, el número de coeficientes crece exponencialmente con el orden no lineal y la profundidad de memoria del núcleo, lo que conduce a la baja escalabilidad y cuidadosa.

Modelos polinomios de memoria

Un caso especial de la serie Volterra es el modelo de memoria polinomio (MP), que simplifica la estructura considerando sólo términos diagonales. Los modelos MP son ampliamente utilizados en la predistorción digital (DPD) debido a su relativa simplicidad y precisión aceptable para muchas aplicaciones de banda estrecha. Sin embargo, para las señales de banda ancha con fuertes efectos de memoria, los modelos MP pueden ser inadecuadas porque ignoran los períodos cruzados que capturan interacciones importantes entre diferentes golpes.

Modelos de mesa de búsqueda (LUT)

Los modelos basados en LUT almacenan valores de salida precomputados para una red discretizada de amplitudes y fases de entrada. Son fáciles de implementar y pueden manejar no linearidades fuertes, pero requieren grandes tablas para modelar de alta resolución y no capturan inherentemente efectos de memoria. Extensiones como LUTs de tiempo añaden memoria a costa de un almacenamiento aumentada exponencialmente.

Todos estos métodos tradicionales comparten limitaciones comunes: confían en formas paramétricas que no coincidan con el verdadero comportamiento amplificador, son sensibles a la selección de pedidos modelo, y pueden no adaptarse bien a las cambiantes condiciones de funcionamiento. Además, a menudo requieren conocimientos expertos para sintonizar y validar. Estos desafíos han motivado la adopción de técnicas de aprendizaje automático que pueden aprender de datos sin ser restringidos a estructuras matemáticas predefinidas.

Aprendizaje de Máquinas para modelar amplificador de potencia

El aprendizaje automático proporciona un paradigma flexible y basado en datos para modelar el comportamiento de PA. Mediante la formación en datos de entrada medidos, los modelos ML pueden aproximarse a funciones no lineales arbitrariamente complejas, incluyendo aquellas con memoria.Los métodos más exitosos incluyen varias arquitecturas de red neuronales, máquinas de soporte vectores (SVM), procesos gaussianos, y conjunto de métodos como bosques aleatorios.

Redes neuronales

Las redes neuronales son especialmente adecuadas para el modelado de PA porque son aproximadores de función universales. Una red neuronural simple de feedforward con una o más capas ocultas puede aprender la no linealidad estática, mientras que las arquitecturas recurrentes como las redes neuronales de tiempo retardado (TDNN) o las redes de memoria a corto plazo (LSTM) pueden capturar efectos de memoria mediante el procesamiento de secuencias de muestras de entrada.

  • Las redes neuronales (FNN)] se utilizan para modelar el comportamiento estático. Las características de entrada incluyen típicamente la muestra de entrada actual y varios valores retardados para contabilizar la memoria. Las FNN son rápidas para entrenar y ejecutar, haciéndolos adecuados para aplicaciones DPD.
  • Las redes neuronales de tiempo retardado incorporan explícitamente entradas pasadas a través de líneas de demoras cortadas. Son eficaces para modelar la profundidad de memoria limitada pero pueden llegar a ser grandes cuando el período de memoria es largo.
  • Las redes neuronales (RNNs)] y ] Las redes TM] están diseñadas para manejar dependencias de longitud variable. Los LSTM, en particular, pueden capturar efectos de memoria a largo plazo derivados de dinámicas térmicas o de sesgo. Sin embargo, requieren más datos y computación para entrenar.
  • Redes neuronales de valor complejo procesan directamente señales de banda base I/Q sin separar partes reales e imaginarias. Este enfoque preserva la información de fase y ha mostrado una precisión superior para el modelado AM/PM.

Soporte de máquinas vectoriales para la regresión (SVR)

Soporte mapas de regresión vectorial características de entrada en un espacio de alta dimensión a través de funciones del kernel y encuentra un hiperplano que minimiza el error de predicción dentro de un margen. Los modelos SVR se han utilizado para modelar PA con núcleos adecuados (por ejemplo, función de base radial). Ofrecen una buena generalización con pequeños conjuntos de datos pero se vuelven computacionalmente caros a medida que el tamaño de conjunto de entrenamiento crece.

Procesos gaises (GP)

La regresión del proceso gaisés es un método probabilístico de aprendizaje automático que proporciona una predicción media y una estimación de incertidumbre. Para el modelado de PA, los GP pueden capturar no linealidades y memoria a través de la elección de la función de covariancia. Son particularmente valiosos cuando sólo hay un número limitado de mediciones disponibles, ya que naturalmente evitan la sobreajuste.

Métodos conjuntos

También se han explorado modelos de regresión forestal aleatoria y de impulso de gradiente para el modelado de comportamiento de PA. Estos métodos basados en árboles son robustos para los outliers, requieren poco preprocesamiento de datos y pueden manejar entradas de alta dimensión. capturan interacciones entre las características de entrada de manera efectiva pero no son tan precisas como las redes neuronales para funciones no lineales muy suaves, y no pueden modelar directamente dinámicas de tiempo continuo.

Consideraciones de los datos sobre capacitación

El éxito de cualquier modelo de aprendizaje automático depende en gran medida de la calidad y representatividad de los datos de entrenamiento. Para el modelado de PA, la señal de entrada debe ejercitar el amplificador sobre su rango dinámico completo, incluyendo saturación. Las señales de entrenamiento comunes incluyen formas de onda moduladas como WCDMA, LTE o 5G NR, así como señales de varias toneladas.

  • Ancho de banda de señales – La señal de entrenamiento debe cubrir el ancho de banda de operaciones previsto para asegurar que el modelo captura efectos de memoria dependientes de frecuencia.
  • Power backoff – Las mediciones deben abarcar desde la baja potencia de entrada a varios dB en compresión para capturar las características AM/AM y AM/PM.
  • Tamaño de datos] – Mientras que más datos generalmente mejora la exactitud del modelo, la cantidad necesaria depende de la complejidad del modelo. Las redes neuronales con miles de parámetros necesitan decenas de miles de muestras; modelos más simples pueden trabajar con unos pocos miles.
  • Errores de ruido y medición – Se necesitan filtros y promedio adecuados para evitar la adaptación al ruido de medición, que degrada la generalización.
  • Validación] – Un conjunto de pruebas separado (no utilizado en la formación) es esencial para evaluar el rendimiento de los modelos en señales invisibles, a menudo cuantificado por error cuadrado medio normalizado (NMSE) o error de adyacencia.

Además, las técnicas de aumento de datos como la adición de perturbaciones sintéticas o el uso de arranque pueden mejorar la robustez, especialmente cuando los datos experimentales son escasos.

Ventajas de los modelos de aprendizaje automático sobre enfoques tradicionales

Cuando se diseñó y entrenó correctamente, los modelos ML ofrecen varios beneficios convincentes para el modelado de comportamiento de PA:

  • Alta precisión – Los modelos ML pueden alcanzar muy bajos NMSE, a menudo por debajo de -40 dB, incluso para fuertes no linearidades y largas profundidades de memoria. Esta precisión es difícil de combinar con polinomios de orden fijo o serie Volterra.
  • Adaptability – Los modelos pueden ser reeditados con nuevos datos para acomodar cambios en las condiciones de funcionamiento (temperatura, envejecimiento, desfase de carga) sin necesidad de reformular la estructura modelo.
  • ]Reducción del esfuerzo de modelado – El desarrollador no necesita derivar manualmente una forma matemática específica; el algoritmo aprende el comportamiento de los datos. Esto ahorra tiempo de ingeniería significativo para los diseños complejos de PA, como Doherty o GaN.
  • Inferencia rápida] – Una vez entrenados, la mayoría de los modelos ML producen predicciones en microsegundos, adecuados para DPD en tiempo real en procesadores de banda base o FPGAs.
  • Aprovechando dinámicas complejas no lineales] – Las redes neuronales con estructuras de memoria pueden modelar efectos como el retraso térmico y el atraque de carga que son extremadamente difíciles de representar analíticamente.

Desafíos y limitaciones actuales

A pesar de su promesa, los enfoques de ML para la modelización de PA no son sin desafíos:

  • Requisitos de datos] – Las redes neuronales, especialmente las arquitecturas profundas, requieren grandes cantidades de datos de capacitación de alta calidad. Recopilar estos datos en todas las condiciones de funcionamiento posibles es costoso y consume mucho tiempo.
  • Costo computacional] – Los modelos complejos de formación pueden tardar horas o días, especialmente para los procesos gausianos o los LSTM con largas secuencias, lo que limita la capacidad de realizar iteraciones de diseño rápido.
  • Overfitting] – Sin regularización adecuada (por ejemplo, desplegable, descaimiento de peso, parada temprana), los modelos ML pueden memorizar el ruido de entrenamiento y generalizarse mal. La validación cuidadosa y el afinado hiperparamétrico son obligatorios.
  • Interpretabilidad] – Los modelos ML son tratados a menudo como cajas negras, dificultando la obtención de información física sobre el comportamiento amplificador. Esto es una preocupación por la fiabilidad y el depuración en aplicaciones industriales.
  • Estabilidad y robustez – Las predicciones de ML pueden ser inestables fuera del rango de entrenamiento o en condiciones de señal no encontradas durante el entrenamiento. Técnicas como entrenamiento contencioso y enfoques Bayesianos pueden ayudar pero añadir complejidad.
  • Integración de hardware] – Implementar modelos ML en sistemas DPD en tiempo real requiere una optimización cuidadosa para plataformas con recursos (FPGAs, ASICs). La compresión modelo (por ejemplo, cuantización, poda) es a menudo necesaria.

Estudios de casos y aplicaciones en el mundo real

Predistorsión digital con redes neuronales

Una de las aplicaciones más directas de la modelación de PA basada en ML está en predistorción digital (DPD). En DPD, un modelo inverso de la PA se utiliza para pre-destornar la señal de entrada, cancelando las no linearidades del amplificador. La red neuronal DPD ha demostrado hasta 20 dB mejora en la relación de fuga de canales adyacentes (ACLR) en comparación con la arquitectura polinomial

Modelo de memoria térmica

Los efectos térmicos causan la memoria a largo plazo en las PAs, con constantes de tiempo en el orden de milisegundos. Los modelos tradicionales luchan por capturar estos efectos porque requieren un gran número de grifos. Las redes LSTM, sin embargo, pueden aprender estas dinámicas de datos, alcanzando alta precisión con un tamaño modelo modesto.

Modelado de amplificadores de potencia GaN

Los nitridos de galio (GaN) se utilizan cada vez más en aplicaciones de alta potencia debido a su alta eficiencia y ancho de banda. Sin embargo, presentan fuertes efectos de captura que causan dispersión. Los modelos de aprendizaje automático, en particular soporte la regresión de vectores con núcleos especializados, se han utilizado para modelar el comportamiento de la corriente de drenaje de los equipos de GN HEMT, lo que conduce a simulaciones de circuito más precisa.

Futuras direcciones y modelado híbrido

La próxima generación de modelado de PA probablemente combinará las fortalezas del aprendizaje automático con modelos tradicionales basados en la física o de circuito. Los enfoques híbridos pueden reducir la dependencia de datos y mejorar la interpretación:

  • Redes neuronales informadas por física (PINNs) incorporan ecuaciones diferenciales conocidas (por ejemplo, desde modelos de circuito equivalente) a la función de pérdida durante el entrenamiento. Esto limita la red a soluciones físicamente plausibles y mejora la extrapolación.
  • El aprendizaje de transferencia permite que un modelo formado en una PA sea perfeccionado para una PA similar con datos mínimos nuevos, acelerando el despliegue en familias de productos.
  • Las redes neuronales de China proporcionan estimaciones de incertidumbre, que son cruciales para una evaluación robusta del DPD y de la fiabilidad.

Otra tendencia prometedora es el uso de aprendizaje online donde el modelo continúa actualizando durante el funcionamiento normal. Esto puede compensar las variaciones lentas debido a la deriva de la temperatura o el envejecimiento de componentes sin interrumpir el sistema. También se está investigando el aprendizaje federado para sistemas DPD distribuidos en estaciones base.

Finalmente, la aparición de aceleradores ML optimizados por hardware (por ejemplo, Xilinx AI Engine, ARM Ethos) hará posible desplegar redes neuronales sofisticadas en los bucles DPD con muy baja latencia y consumo de energía. Se espera que esta convergencia de ML y RF ingeniería sea una piedra angular de futuros sistemas de comunicación 6G.

Conclusión

El aprendizaje de la máquina ha transformado fundamentalmente la forma en que los ingenieros modelan y predicen el comportamiento del amplificador de potencia. Al aprovechar técnicas basadas en datos como redes neuronales, máquinas vectoriales de apoyo y procesos gausianos, ahora es posible lograr la precisión de modelado y flexibilidad que exceden los métodos tradicionales. Mientras que los desafíos en el diseño de la banda son más complejos, los costos computacionales y la interpretación siguen siendo, la investigación continua y la adopción industrial siguen empujando los límites de lo que es más elevado.