במערכות תקשורת מודרניות, מגברי חשמל (PAs) הם קריטיים להגביר את עוצמת האות לפני השידור. הביצועים שלהם משפיע ישירות על היעילות הכוללת, לינאריות, וטוהר ספקטרלי של המערכת.עם זאת, הרש"פ מציגה התנהגות לא ליניארית, אפקטים זיכרון, רגישות לתהליכי הפעלה ישירות כגון טמפרטורה וספקית לחץ.

הבנה של כוח מגבירים והתנהגותם הלא ליניארית

מגברי חשמל נועדו להגדיל את רמת הכוח של אות קלט עם עיוות מינימלי ויעילות גבוהה. בפועל, כל הרש"פ מציגות מידה מסוימת של אי-לינאריות, אשר הופך בולט יותר כמו הגישה התפעולית של ריצוף.לא לינאריות מתגלה בכמה דרכים, החשוב ביותר להיות amplitude-to-ampude (AM/AM) עיוות ועיוות alitude-to-phase (AM) (PM) עיוות (PM/PM) ועיוות (PM).

  • (FLT:0)AM/AM עיוותFLT:1 מתאר כיצד הפלט משתנה ביחס למזעור הקלט.במגבר ליניארי אידיאלי, מערכת היחסים היא קו ישר; ברש"פ אמיתי, העלייה דחוסה עבור הדגימות גדולות של קלט, המוביל לעיוות.
  • (FLT:0)AM /PM עיוות FLT:1 לוכד את השינוי שלב שהוצג על ידי המגבר כפונקציה של אמפליטודה קלט.זה עיוות שלב זה יכול באופן משמעותי לשנות את ביצועי המערכת, במיוחד בפורמטים מודרניים מודולציה להשתמש הן amplitude והן שלב.
  • (FLT:0) אפקטים מזכרים FLT:1 מתייחס התלות של הפלט הרש"פ על אותות קלט העבר.אלה נובעים מדינמיקה תרמית, מעגלים הטיה, ומלכודת מטען במכשירים מוליכים למחצה, והם תורמים להפרעות ספקטרום והתערבות בין-דלקתית.

כדי מודל יעיל של הרש"פ, כל ייצוג חייב לקחת בחשבון את ההשפעות הלא לינאריות והזיכרון הללו.גישות מסורתיות, תוך שימושיות בתרחישים רבים, לעתים קרובות דורשות פרמטר נרחב כוונון ולא יכול להכלל היטב בתנאי הפעלה שונים או אותות פס רחב.

שיטות מודלים מסורתיות ומגבלות

דגם סדרת וולטירה

סדרת וולטירה היא מסגרת מתמטית קלאסית עבור מודלים לא ליניאריים עם זיכרון.זה מבטא את הפלט כסכום של אינטגרלי מהפכת רב-ממדיים של הקלט.עבור מגברי חשמל, מודלים וולטייררה מחוספסים יכולים ללכוד הן לא לינאריות והן את אפקטים זיכרון עד הזמנה מסוימת.עם זאת, מספר הקורטיזנטים גדל באופן אקספוננציאלי עם סדר לא ליניארי ועומק זיכרון, המוביל לכדי יכולת חישובית נמוכה יותר, בנוסף לדגמים קבועים.

מודל פולינומי זיכרון

מקרה מיוחד של סדרת וולטירה הוא מודל פולינומי (MP) זיכרון, אשר מפשט את המבנה על ידי בהתחשב רק במונחים דיגונליים.מודלים MP משמשים נרחב ב predistortion דיגיטלית (DPD) בשל הפשטות היחסית שלהם דיוק מקובל עבור יישומים רבים פסים.אבל, עבור אותות רחב עם אפקטים זיכרון חזק, מודלים MP יכול להיות לא מספיק כי הם להתעלם לטווחים חשובים בין עיכובים שונים.

דגם ה-LUT

מודלים מבוססי LUT לאחסן ערכי פלט מראש עבור רשת מבוזרת של אדים קלט ושלבים. הם קלים ליישום ויכולים להתמודד עם לא לינאריות חזקות, אבל הם דורשים טבלאות גדולות עבור מודלים ברזולוציה גבוהה ואינם ללכוד אפקטים זיכרון באופן טבעי.רחבות כמו עיכוב זמן LUTs להוסיף זיכרון עלות אחסון אקספוננציאלי.

כל השיטות המסורתיות הללו חולקות מגבלות משותפות: הן מסתמכות על צורות מרשימות שאינן יכולות להתאים להתנהגות המגברית האמיתית, הן רגישות לקביעת מודל, והן אינן יכולות להתאים היטב לשינויים בתנאי התפעול.יתר על כן, הן לעתים קרובות דורשות ידע מומחה להתכוונן ולאמת אתגרים אלה הניעו את אימוץ טכניקות הלמידה אשר יכולות ללמוד מהנתונים מבלי להיות מוגבלות למבנים מתמטיים מוגדרים מראש.

Machine Learning מתקרב ל-Power Amplifier

למידת מכונה מספקת פרדיגמה גמישה, המונעת על-ידי נתונים לחיקוי התנהגות הרש"פ.על-ידי אימון על נתונים נמדדים של קלט- ⁇ , מודלים של ML יכולים להיות מורכבים ללא לינארית, כולל אלה עם זיכרון.השיטות המצליחות ביותר כוללות ארכיטקטורות רשת עצביות, תמיכה מכונות וקטור (SVM), תהליכי Gaussian, ושיטות הרכב כגון יערות אקראיים.

רשתות

רשתות נילי הן מתאימות במיוחד עבור הרש"פ, משום שהן יצרניות פונקציונליות אוניברסליות.רשת עצבית פשוטה עם שכבה אחת או יותר מוסתרת יכולה ללמוד אי-לינאריות סטטית, בעוד אדריכלות חוזרת כמו רשתות עצביות של זמן (TDNN) או זיכרון לטווח קצר ארוך (LSTM) יכולות ללכוד אפקטים זיכרון על ידי עיבוד של דגימות קלט.

  • (FLT:0) רשתות עצביות מתקדמות (FN)BuildFLT:1) משמשות למודל התנהגותי סטטי.תכונות Input כוללות בדרך כלל את דגימת הקלט הנוכחית וכמה ערכים מעוכבים כדי להסביר זיכרון. FNs מהירים כדי להכשיר ולבצע, מה שהופך אותם מתאימים ליישומים DPD.
  • (FLT:0) רשתות עצביות של הזמן-עיכוב 1R) משלבות במפורש קלטות קודמות באמצעות קווי עיכובים מלוטשים.הם יעילים לדגום עומק זיכרון מוגבל, אך יכולים להיות גדולים כאשר אורך הזיכרון ארוך.
  • (FLT:0) רשתות עצביות חוזרות (RN) אנדרל 1 ו- (FLT:2LSTM רשתות FLT:3 נועדו לטפל תלות במגוון של LSTM, במיוחד, יכול ללכוד אפקטים זיכרון לטווח ארוך הנובעים מדינמיקה תרמית או מוטה.
  • (FLT:0) רשתות עצביות מורכבות-ערך של ההרחבה:1) מעבדות ישירות את אותות I/Q ללא הפרדה בין חלקים אמיתיים ודמיוניים. גישה זו משמרת את המידע בשלב, והראתה דיוק עליון עבור AM/PM Modeling.

תמיכה במכונות Vector עבור Regression (SVR)

תמיכה ו-Regression מפות קלט תכונות לתוך שטח רב-ממדי באמצעות פונקציות ליבה ומוצאת מטוס שממזער שגיאות חיזוי בתוך שולי.מודלים SVR שימשו עבור הרש"פ דוגמנות עם הקרנלים המתאימים (למשל, הפונקציה בסיס קורנל) הם מציעים הכללה טובה עם נתונים קטנים אבל להיות יקר חישובי ככל גודל האימון גדל גם ביצועים רגישים ל-peractyperanal (סוג הקרנבל, Cep), Cep).

תהליכי גאוסיאן (GP)

תהליך גאוסיאני תוקף היא שיטת למידת מכונה פרובביליסטית המספקת גם חיזוי ממוצע ואומדן אי ודאות.עבור הדוגמנות של הרש"פ, GPs יכולים ללכוד לא לינאריות וזיכרון באמצעות בחירת הפונקציה covariance. הם בעלי ערך במיוחד כאשר רק מספר מוגבל של מדידות זמינים, כפי שהם נמנעים באופן טבעי מהתאמה.

שיטות אנסמבל

תוקפנות יער אקראית ו- ⁇ שיפור מודלים נחקרו גם עבור מודלים התנהגותיים של הרש"פ. שיטות מבוססות עץ אלה עמידים בפני קהלים, דורשים עיבוד נתונים מועט, והם יכולים להתמודד עם קלטות גבוהות ממדים.הם ללכוד אינטראקציות בין תכונות קלט ביעילות אבל הם לא מדויקים כמו רשתות עצביות עבור פונקציות לא לינאריות חלק מאוד, והם לא יכולים ישירות מודל של זמן מתמשך.

חישובים נתונים

הצלחתו של כל מודל למידת מכונה תלויה במידה רבה באיכות ובייצוג של נתוני האימון.עבור הרש"פ, אות קלט צריך לממש את המגבר על הטווח הדינמי המלא שלה, כולל ריצוף.קודי הכשרה נפוצים כוללים עיוותים מודולים כגון WCDMA, LTE, או 5G NR, כמו גם אותות מרובים טון.

  • (FLT:0) רוחב פס של רוחב פסים 1 (FLT) - אות האימון חייב לכסות את רוחב הפס התפעולי המיועד כדי להבטיח את המודל ללכוד אפקטים זיכרון תלותי בתדר.
  • (ב) ⁇ :0) ,Power backoffofFLT:1 - אמצעי צריכה לעבור מעוצמה נמוכה ל- DB לתוך דחיסה כדי ללכוד AM / AM ו AM / AM.
  • (FLT:0Data SizeFalLT:1) - בעוד יותר נתונים בדרך כלל משפרים את דיוק המודל, הסכום הנדרש תלוי המורכבות של המודל. רשתות נילי עם אלפי פרמטרים זקוקים לעשרות אלפי דגימות; מודלים פשוטים יותר עשויים לעבוד עם כמה אלפי.
  • (ב) ,0) , ⁇ וטעויות מדידה (ב) 1 - מסנן הולם ותיקון נדרשים להימנע מהתאמה לרעש מדידה, אשר מקטין את הכללה.
  • (FLT:0)ValidationFLT:1 - מבחן נפרד (לא בשימוש באימון) הוא חיוני להעריך ביצועי מודל על אותות לא נראים, לעתים קרובות כפיה על ידי טעות מרובעת נורמלית (NMSE) או טעות בדבקות.

יתר על כן, טכניקות לשיפור נתונים כגון הוספת הפרעות סינתטיות או שימוש במגפיים יכולות לשפר את העוצמה, במיוחד כאשר נתונים ניסיוניים הם נדירים.

יתרונות של Machine Learning Models Over מסורתי

כאשר מודלים מתוכננים כראוי ומאומנים, מודלים של ML מציעים כמה יתרונות משכנעים עבור המודל ההתנהגותי של הרש"פ:

  • (FLT:0) דיוקים גבוהים FLT:1) - מודלים של ML יכולים להשיג NMSE נמוך מאוד, לעתים קרובות מתחת -40 dB, אפילו עבור אי-לינאריות חזקות ומעמקי זיכרון ארוכים.דיוק זה קשה להתאים עם לוחות פולינומיסים קבועים או סדרת וולטירה.
  • (FLT:0) ,AdaptabilityFLT:1 - מודלים ניתן לפטור נתונים חדשים כדי להתאים לשינויים בתנאי הפעלה (זמן, הזדקנות, חוסר התאמה) מבלי צורך לשנות את מבנה המודל.
  • (FLT:0) ,המפתח אינו צריך להפיק באופן ידני צורה מתמטית מסוימת; האלגוריתם לומד את ההתנהגות מהנתונים.זה חוסך זמן הנדסי משמעותי עבור הרשאות מורכבות כגון Doherty או GaN מבוסס עיצובים.
  • (FLT:0) ציטראט ב-FileFLT:1 - לאחר אימון, רוב דגמי ה-ML מייצרים תחזיות במיקרו-שניות, מתאים ל- DPD בזמן אמת במעבדים של פסים או FPGAs.
  • (FLT:0) דינמיקה מורכבת לא ליניארית (FLT:1) , רשתות ניליות עם מבני זיכרון יכולות מודלים אפקטים כמו lag תרמי ומלכודת מטען כי הם קשים מאוד לייצג מבחינה אנליטית.

אתגרים והגבלות נוכחיות

למרות ההבטחה שלהם, גישות ML לחיקוי של הרש"פ אינן ללא אתגרים:

  • דרישות ההרחבה:0Dataדרישות ההרחבה: Neuralרשתות, במיוחד ארכיטקטורות עמוקות, דורשות כמויות גדולות של נתונים באיכות גבוהה של הכשרה.
  • (FLT:0) חישוביות עלות גבוהה (FLT:1) - מודלים מורכבים אימון יכולים לקחת שעות או ימים, במיוחד עבור תהליכים גאוסיים או LSTM עם רצפים ארוכים.
  • (FLT:0)OverfittingofFLT:1 - ללא סדירזציה נכונה (למשל, ירידה, ירידה במשקל, דעיכה מוקדמת, הפסקת מוקדם), מודלים של ML עשויים להפריז ברעש אימונים ולהגיש באופן גרוע.
  • (FLT:0) מודלים של ML מטופלים לעתים קרובות כמו קופסאות שחורות, מה שהופך את זה קשה להשיג תובנות פיזיות להתנהגות מגבר.זה עניין של אמינות ונפיחות ביישומים תעשייתיים.
  • (FLT:0)Stability and ArmentialnessFLT:1 - תחזיות ML יכולות להיות בלתי יציבות מחוץ לטווח האימונים או בתנאים של אותות שלא נתקלו במהלך אימון.טכניקות כמו אימון וגישות Bayesian יכולות לעזור אך להוסיף מורכבות.
  • (FLT:0) אינטגרציה חומרה (FLT:1) - מודלים של ML במערכות DPD בזמן אמת דורש אופטימיזציה זהירה עבור פלטפורמות ניהול משאבים (FPGAs, ASICs). דחיסת מודל (למשל, קוונטיזציה, ריצה) הוא לעתים קרובות הכרחי.

תוצאות חיפוש ויישומים אמיתיים

פרופיל דיגיטלי עם רשתות נילי

אחת האפליקציות הישירות ביותר של מודל הרש"פ מבוסס ML היא בעדיפות דיגיטלית (DPD) ב-DPD, מודל הפוך של הרש"פ משמש למניעת אות הקלט, ביטול אי-הלינאריות של המגבר (Nural-DPD) הראה עד 20B שיפור יחסי הדלפה הסמוכים (AC) בהשוואה לדרישות פולינומיות של DNX: FSTFSTFSTGT) ל-R2GT:

מודל הזיכרון ההפוך

ההשפעות הארומאליות לגרום לזיכרון ארוך טווח ברש"מ, עם קבוע זמן על סדר של מילימטרים.מודלים מסורתיים נאבקים ללכוד את ההשפעות האלה כי הם דורשים מספר גדול של רשתות LSTM, עם זאת, יכולים ללמוד דינמיות אלה מהנתונים, להשיג דיוק גבוה עם גודל מודל צנוע.

מודל של GaN Power Amplifiers

גאליום ניטרד (GaN) הרש"פ משמשים יותר ויותר ביישומים בעלי עוצמה גבוהה בשל היעילות הגבוהה שלהם רוחב פס רוחב פס, עם זאת, הם מציגים אפקטים מלכודות חזקות שגורמים לפיזור.מודלים של למידת מכונות, במיוחד תמיכה וסגידה וקטור עם הקרנלים מיוחדים, שימשו כדי מודל ההתנהגות הנוכחית של GaN HEMTs, המוביל לסימולציות מדויקות יותר.

כיוונים עתידיים ומודלים היברידיים

הדור הבא של מודל הרש"פ ישלב ככל הנראה את נקודות החוזק של למידת מכונה עם מודלים מסורתיים המבוססים על פיזיקה או ברמת מעגלים. גישות היברידיות יכולות להפחית את תלות הנתונים ולשפר את הפרשיות:

  • (FLT:0) רשתות עצביות בעלות מידע (PINNsreas)FLT:1 משלבות משוואות שונות ידועות (למשל, ממודלים מעגליים מקבילים) לתפקוד האובדן במהלך האימון.זה מסדיר את הרשת לפתרונות סבירים מבחינה גופנית ומשפר את התוספתן.
  • (FLT:0) למידה ממולאת 1 (מאפשר מודל מאומן על אחת הרש"פ להיות מכוונן עבור הרש"פ דומה עם נתונים חדשים מינימליים, להאיץ את הפריסה על פני משפחות מוצר.
  • (ב) ,0) רשתות עצביות ב-Bayesian neuralsved 1:1 מספקות הערכות אי-ודאות, אשר חיוניות ל-DPD ולהערכה אמינה חזקה.

מגמה מבטיחה נוספת היא השימוש ב-FLT:0 (מדינג מקוון של למידה) 1 (המודל ממשיך לעדכן במהלך פעולה רגילה.זה יכול לפצות על שינויים איטיים עקב סחף טמפרטורה או הזדקנות רכיב מבלי להפריע למערכת.

לבסוף, הופעתה של מנוע AI:0 â € ¢ ⁇ ML cceleratorssph 1 (למשל, Xilinx AI Engine, ARM אתוס) יהיה אפשרי לפרוס רשתות עצביות מתוחכמות בלולאות DPD עם שפע נמוך מאוד צריכת חשמל.

מסקנה

למידת מכונות שינתה באופן יסודי את האופן שבו מהנדסים מודל וחיזוי התנהגות מגבר כוח.על ידי ניצול טכניקות המונעות על ידי נתונים כגון רשתות עצביות, תמיכה במכונות וקטורים גאוסיים, כיום ניתן להשיג דיוק מודלים וגמישות כי הרבה יותר על פני שיטות מסורתיות, בעוד אתגרים בגישה חישובית, עלות חישובית, ופירושיות של מערכת ניהול מערכת ניהול מתמשך ואימוץ תעשייתי ממשיך לדחוף את הגבולות של מה הוא מערכות תקשורת לינאריות יותר ויותר מפותחות, כלומר, כלומר, לא יותר ויותר, כלומר, כלומר, לא יותר ויותר, תפקודים, יותר ויותר גבוה יותר ויותר, לא יציב, יותר ויותר, יותר ויותר, יותר ויותר, יותר ויותר, יותר ויותר, לנטרולטיבי, יותר ויותר, יותר ויותר, יותר ויותר, הוא משחק של תפקוד מערכת הפעלה של תפקוד יעיל יותר ויותר גבוה יותר ויותר, יותר ויותר גבוה יותר ויותר, של תפקוד מערכת ניהול תפקוד מערכת ההפעלה של תפקוד יעיל של תפקוד מערכת ההפעלה של תפקוד מערכת העצבים של תפקוד מערכת ההפעלה של תפקוד מערכת ההפעלה של תפקוד מערכת העצבים, עם תפקוד יציב, יותר ויותר גבוה יותר ויותר גבוה יותר ויותר, יותר ויותר גבוה יותר ויותר, לא יציב, והתאמה של תפקוד מערכת העצבים, יותר ויותר, יותר ויותר, יותר ויותר, יותר ויותר, יותר ויותר, חשיבה יעילה, והתאמה יעילה