Dans les systèmes de communication modernes, les amplificateurs de puissance (PA) sont essentiels pour augmenter la force du signal avant la transmission. Leur performance influence directement l'efficacité globale, la linéarité et la pureté spectrale du système. Cependant, les PA présentent intrinsèquement un comportement non linéaire, des effets de mémoire et une sensibilité aux conditions de fonctionnement telles que la température et la tension d'alimentation. La modélisation et la prédiction précises du comportement de l'amplificateur sont donc essentielles pour la conception, la linéarisation et l'optimisation du système.

Comprendre les amplificateurs de puissance et leur comportement non linéaire

Les amplificateurs de puissance sont conçus pour augmenter le niveau de puissance d'un signal d'entrée avec une distorsion minimale et une efficacité élevée. En pratique, tous les PA présentent un certain degré de non-linéarité, qui devient plus prononcé lorsque les points d'exploitation approchent la saturation. La non-linéarité se manifeste de plusieurs façons, la plus importante étant la distorsion amplitude-amplitude (AM/AM) et la distorsion amplitude-phase (AM/PM).

  • La distorsion AM/AM décrit comment l'amplitude de sortie change par rapport à l'amplitude d'entrée. Dans un amplificateur linéaire idéal, la relation est une ligne droite; dans un PA réel, le gain compresse pour les grandes amplitudes d'entrée, conduisant à la distorsion.
  • La distorsion AM/PM capture le déplacement de phase introduit par l'amplificateur en fonction de l'amplitude d'entrée. Cette distorsion de phase peut dégrader de façon significative les performances du système, en particulier dans les formats modernes de modulation qui utilisent à la fois l'amplitude et la phase.
  • Les effets de mémoire[ font référence à la dépendance de la sortie de PA sur les signaux d'entrée passés. Ces effets découlent de la dynamique thermique, des circuits de biais et du piégeage de charge dans les dispositifs semi-conducteurs, et ils contribuent à la repousse spectrale et à l'interférence intersymbole.

Pour modéliser efficacement une AP, toute représentation doit tenir compte de ces non-linéarités et effets de mémoire. Les approches traditionnelles, bien qu'utiles dans de nombreux scénarios, nécessitent souvent un réglage de paramètres étendu et peuvent ne pas se généraliser bien à des conditions d'exploitation variables ou des signaux à large bande.

Techniques de modélisation traditionnelles et leurs limites

Modèles de la série Volterra

La série Volterra est un cadre mathématique classique pour la modélisation de systèmes non linéaires avec mémoire. Elle exprime la sortie comme une somme des intégrales de convolution multidimensionnelle de l'entrée. Pour les amplificateurs de puissance, les modèles Volterra tronqués peuvent capturer à la fois la non-linéarité et les effets de mémoire jusqu'à un certain ordre. Cependant, le nombre de coefficients augmente exponentiellement avec l'ordre non linéaire et la profondeur de mémoire, ce qui entraîne une faible évolutivité et un coût de calcul élevé.

Modèles polynômes de mémoire

Un cas particulier de la série Volterra est le modèle polynôme de mémoire (MP), qui simplifie la structure en ne considérant que les termes diagonaux. Les modèles MP sont largement utilisés en prédistorsion numérique (DPD) en raison de leur simplicité relative et de leur précision acceptable pour de nombreuses applications à bande étroite. Pourtant, pour les signaux à large bande ayant de forts effets de mémoire, les modèles MP peuvent être inadéquats parce qu'ils ignorent les termes croisés qui capturent des interactions importantes entre différents taps de retard.

Modèles de tableau de recherche (LUT)

Les modèles basés sur LUT stockent des valeurs de sortie précalculées pour une grille discrétée d'amplitudes et de phases d'entrée. Ils sont faciles à mettre en œuvre et peuvent gérer de fortes non-linéarités, mais ils nécessitent de grandes tables pour la modélisation à haute résolution et ne capturent pas intrinsèquement les effets de mémoire.

Toutes ces méthodes traditionnelles ont des limites communes : elles reposent sur des formes paramétriques qui ne correspondent pas au vrai comportement de l'amplificateur, elles sont sensibles à la sélection des ordres de modèles et elles ne s'adaptent pas bien aux conditions de fonctionnement changeantes. De plus, elles nécessitent souvent des connaissances spécialisées pour s'adapter et valider.

Approches d'apprentissage automatique pour la modélisation de l'amplificateur de puissance

En formant sur les données d'entrée-sortie mesurées, les modèles ML peuvent approximativement des fonctions non linéaires arbitrairement complexes, y compris celles avec la mémoire. Les méthodes les plus réussies comprennent diverses architectures réseau neuronales, machines vectorielles de soutien (SVM), processus gaussiens et méthodes d'ensemble telles que les forêts aléatoires.

Réseaux neuronaux

Les réseaux neuronaux sont particulièrement adaptés à la modélisation de PA car ils sont des approximants universels de fonction. Un simple réseau neuronal de flux avec une ou plusieurs couches cachées peut apprendre la non-linéarité statique, tandis que des architectures récurrentes comme les réseaux neuronaux delay time (TDNN) ou les réseaux de mémoire à court terme (LSTM) peuvent capturer les effets de mémoire en traitant des séquences d'échantillons d'entrée.

  • Les réseaux neuronaux (FNN) sont utilisés pour la modélisation statique du comportement. Les fonctionnalités d'entrée incluent généralement l'échantillon d'entrée courant et plusieurs valeurs différées pour tenir compte de la mémoire. Les FNN sont rapides à former et à exécuter, ce qui les rend adaptés aux applications DPD.
  • Les réseaux neuronaux à retardement intègrent explicitement les entrées passées par des lignes de retard tapées. Ils sont efficaces pour modéliser une profondeur de mémoire limitée, mais peuvent devenir importants lorsque la portée de la mémoire est longue.
  • Les réseaux neuronaux courants (RNN) et Les réseaux LSTM sont conçus pour gérer des dépendances de longueur variable. Les LSTM, en particulier, peuvent capter les effets de mémoire à long terme découlant de la dynamique thermique ou de biais.
  • Réseaux neuronaux à valeur complexe traitent directement les signaux I/Q de bande de base sans séparer les parties réelles et imaginaires. Cette approche préserve l'information de phase et a montré une précision supérieure pour la modélisation AM/PM.

Support des machines vectrices pour la régression (SVR)

Les modèles SVR ont été utilisés pour la modélisation de PA avec des noyaux appropriés (p. ex., fonction de base radiale). Ils offrent une bonne généralisation avec de petits ensembles de données mais deviennent calculables à mesure que la taille de l'ensemble d'entraînement augmente. Leur performance est également sensible à l'accordage hyperparamétrique (type de noyau, C, epsilon).

Processus gaussiens (GP)

Pour la modélisation de PA, les GP peuvent saisir les non-linéarités et la mémoire par le choix de la fonction de covariance. Ils sont particulièrement précieux lorsque seulement un nombre limité de mesures sont disponibles, car ils évitent naturellement de sur-adapter. Cependant, les échelles de inférence GP sont cubiques avec le nombre de points d'entraînement, les rendant impropres à la DPD en temps réel sans approximation.

Méthodes de l'ensemble

Des modèles aléatoires de régression forestière et de stimulation du gradient ont également été explorés pour la modélisation comportementale de PA. Ces méthodes basées sur les arbres sont robustes pour aberrer, nécessitent peu de prétraitement des données et peuvent gérer des entrées haute dimension. Ils capturent les interactions entre les fonctions d'entrée efficacement mais ne sont pas aussi précises que les réseaux neuraux pour des fonctions non linéaires très lisses, et ils ne peuvent pas directement modéliser la dynamique continue du temps.

Considérations relatives aux données de formation

Pour la modélisation PA, le signal d'entrée doit exercer l'amplificateur sur toute sa gamme dynamique, y compris la saturation. Les signaux d'entraînement communs comprennent des formes d'onde modulées telles que WCDMA, LTE ou 5G NR, ainsi que des signaux multitones.

  • La bande passante de signalisation – Le signal d'entraînement doit couvrir la bande passante de fonctionnement prévue pour s'assurer que le modèle capte les effets de mémoire dépendant de la fréquence.
  • Retirement de puissance – Les mesures doivent s'étendre de la faible puissance d'entrée à plusieurs dB en compression pour saisir les caractéristiques AM/AM et AM/PM.
  • Taille des données – Bien que plus de données améliorent généralement la précision du modèle, la quantité requise dépend de la complexité du modèle. Les réseaux neuronaux avec des milliers de paramètres ont besoin de dizaines de milliers d'échantillons; les modèles plus simples peuvent fonctionner avec quelques milliers.
  • Erreurs de bruit et de mesure – Il faut filtrer et calculer correctement les moyennes pour éviter de s'adapter au bruit de mesure, qui dégrade la généralisation.
  • Validation – Un ensemble d'essais distinct (non utilisé dans la formation) est essentiel pour évaluer la performance du modèle sur des signaux invisibles, souvent quantifiés par erreur carrée moyenne normalisée (ESN) ou erreur d'adjacence.

De plus, les techniques d'augmentation des données, comme l'ajout de perturbations synthétiques ou l'utilisation de bootstrapping, peuvent améliorer la robustesse, surtout lorsque les données expérimentales sont rares.

Avantages des modèles d'apprentissage automatique par rapport aux approches traditionnelles

Lorsqu'ils sont bien conçus et formés, les modèles ML offrent plusieurs avantages convaincants pour la modélisation comportementale de PA :

  • Haute précision – Les modèles ML peuvent atteindre des NMSE très bas, souvent inférieurs à -40 dB, même pour des non-linéarités fortes et de longues profondeurs de mémoire. Cette précision est difficile à assortir avec des polynômes à ordre fixe ou série Volterra.
  • Adaptabilité – Les modèles peuvent être reformulés avec de nouvelles données pour tenir compte des changements dans les conditions de fonctionnement (température, vieillissement, inadéquation de charge) sans avoir à reformuler la structure du modèle.
  • effort de modélisation réduit – Le développeur n'a pas besoin de dériver manuellement une forme mathématique spécifique; l'algorithme apprend le comportement à partir de données. Cela permet d'économiser du temps d'ingénierie significatif pour des AP complexes comme Doherty ou GaN-des designs.
  • Inférence rapide – Une fois formés, la plupart des modèles ML produisent des prédictions en microsecondes, adaptées au DPD en temps réel dans les processeurs de bande de base ou les FPGA.
  • Capturer une dynamique non linéaire complexe[ – Les réseaux neuronaux avec structures de mémoire peuvent modéliser des effets tels que le décalage thermique et le piégeage de charge qui sont extrêmement difficiles à représenter analytiquement.

Défis et limites actuelles

Malgré leur promesse, les approches de la modélisation de l'AP par ML ne sont pas sans défis :

  • Les exigences en matière de données – Les réseaux neuronaux, en particulier les architectures profondes, nécessitent de grandes quantités de données de formation de haute qualité.
  • Coûts informatiques[ – Les modèles complexes d'entraînement peuvent prendre des heures ou des jours, particulièrement pour les processus gaussiens ou les LSTM avec de longues séquences.
  • Surfiting[ – Sans régularisation adéquate (p. ex., abandon, perte de poids, arrêt précoce), les modèles ML peuvent mémoriser le bruit d'entraînement et généraliser mal. Une validation attentive et un réglage hyperparamétrique sont obligatoires.
  • Interprétabilité – Les modèles ML sont souvent traités comme des boîtes noires, ce qui rend difficile l'acquisition de connaissances physiques sur le comportement de l'amplificateur.
  • Stabilisabilité et robustesse – Les prédictions de ML peuvent être instables en dehors de la portée de l'entraînement ou dans des conditions de signal non rencontrées pendant l'entraînement.
  • Intégration des logiciels de stockage – Déployer des modèles ML dans des systèmes DPD en temps réel nécessite une optimisation soigneuse pour les plates-formes à ressources limitées (FPGA, ASIC).

Études de cas et applications du monde réel

Prédistorsion numérique avec les réseaux neuronaux

Dans le DPD, un modèle inverse du PA est utilisé pour pré-distortir le signal d'entrée, annulant les non-linéarités de l'amplificateur. Le réseau neuronal DPD a démontré une amélioration jusqu'à 20 dB du rapport de fuite de canal adjacent (ACLR) par rapport au DPD polynôme, en particulier pour les signaux 5G à large bande. Des travaux récents dans des entreprises comme Qualcomm[ et NXP Semiconductors ont étudié des architectures neurales compactes qui répondent aux exigences de latence en temps réel.

Modélisation de la mémoire thermique

Les effets thermiques provoquent une mémoire à long terme dans les PA, avec des constantes de temps de l'ordre de millisecondes. Les modèles traditionnels ont du mal à capturer ces effets parce qu'ils nécessitent un grand nombre de robinets. Les réseaux LSTM peuvent cependant apprendre ces dynamiques à partir de données, obtenant une haute précision avec une taille de modèle modeste.

Modélisation des amplificateurs de puissance GaN

Les modèles d'apprentissage automatique, particulièrement la régression vectorielle avec des noyaux spécialisés, ont été utilisés pour modéliser le comportement du courant de drainage des GAN HEMT, ce qui a permis de réaliser des simulations de circuits plus précises. L'intersection de ML avec la modélisation compacte basée sur la physique est un domaine de recherche actif.

Orientations futures et modélisation hybride

La prochaine génération de modélisation PA combinera probablement les forces de l'apprentissage automatique avec les modèles traditionnels basés sur la physique ou le circuit. Les approches hybrides peuvent réduire la dépendance aux données et améliorer l'interprétation :

  • Les réseaux neuronaux (PINN) éclairés en physique intègrent des équations différentielles connues (p. ex., à partir de modèles de circuits équivalents) dans la fonction de perte pendant l'entraînement, ce qui limite le réseau à des solutions plausibles physiquement et améliore l'extrapolation.
  • L'apprentissage par transfert[ permet de mettre au point un modèle formé sur une PA pour une PA similaire avec des données nouvelles minimales, en accélérant le déploiement dans les familles de produits.
  • Les réseaux neuraux bayes fournissent des estimations d'incertitude, qui sont cruciales pour une évaluation robuste de la DPD et de la fiabilité.

Une autre tendance prometteuse est l'utilisation de l'apprentissage en ligne[ où le modèle continue de se mettre à jour pendant le fonctionnement normal. Cela peut compenser les variations lentes dues à la dérive de température ou au vieillissement des composants sans interrompre le système.

Enfin, l'émergence d'accélérateurs ML optimisés pour les appareils (p. ex., moteur Xilinx AI, ARM Ethos) permettra de déployer des réseaux neuronaux sophistiqués dans des boucles DPD avec une très faible latence et une consommation d'énergie très faible.

Conclusion

En exploitant des techniques basées sur les données telles que les réseaux neuronaux, les machines vectorielles de soutien et les processus gaussiens, il est maintenant possible d'obtenir une modélisation précise et flexible qui dépasse de loin les méthodes traditionnelles. Bien que les défis en matière de données, de coûts de calcul et d'interprétation demeurent, la recherche continue et l'adoption industrielle continuent de repousser les limites de ce qui est réalisable.