In moderne communicatiesystemen zijn vermogensversterkers (PA's) van cruciaal belang voor het stimuleren van signaalsterkte vóór transmissie. Hun prestaties beïnvloeden direct de algehele efficiëntie, lineariteit en spectrale zuiverheid van het systeem. Echter, PA's vertonen inherent niet-lineair gedrag, geheugeneffecten en gevoeligheid voor bedrijfsomstandigheden zoals temperatuur en voedingsspanning. Nauwkeurige modellering en voorspelling van versterkergedrag zijn daarom essentieel voor systeemontwerp, linearisatie en optimalisatie. Traditionele modellering benaderingen vallen vaak kort bij het vastleggen van de volledige complexiteit van deze apparaten, met name onder bredeband en dynamische signaalomstandigheden. De laatste jaren is machine learning (ML) ontstaan als een krachtig data-gedreven alternatief, waardoor de mogelijkheid om complexe niet-lineaire relaties direct te leren van meetgegevens. In dit artikel wordt het gebruik van machine learning technieken voor het modelleren en voorspellen van vermogensversterkergedrag onderzocht, waarbij belangrijke methoden, voordelen, uitdagingen en toekomstige richtingen worden belicht.

Begrijpen van de vermogensversterkers en hun niet-lineair gedrag

Powerversterkers zijn ontworpen om het vermogensniveau van een ingangssignaal met minimale vervorming en hoge efficiëntie te verhogen. In de praktijk vertonen alle PA's een zekere mate van non-lineairheid, die meer uitgesproken wordt als bedrijfspunten benaderen verzadiging. Niet-lineairheid manifesteert zich op verschillende manieren, de belangrijkste is amplitude-tot-amplitude (AM/AM) vervorming en amplitude-tot-fase (AM/PM) vervorming.

  • AM/AM distortion beschrijft hoe de outputamplitude verandert ten opzichte van de inputamplitude. In een ideale lineaire versterker is de relatie een rechte lijn; in een echte PA comprimeert de gain voor grote inputamplitudes, wat leidt tot vervorming.
  • AM/PM distortion legt de faseverschuiving vast die door de versterker wordt geïntroduceerd als functie van inputamplitude. Deze fasevervorming kan de prestaties van het systeem aanzienlijk afbreken, vooral in moderne modulatieformaten die zowel amplitude als fase gebruiken.
  • Geheugeneffecten verwijzen naar de afhankelijkheid van PA-output van eerdere invoersignalen, die voortvloeien uit thermische dynamiek, vooringenomenheidscircuits en ladingsvallen in halfgeleiderelementen, en dragen bij tot spectrale hergroei en intersymbolinterferentie.

Om een PA effectief te modelleren, moet elke representatie rekening houden met deze niet-lineairheden en geheugeneffecten. Traditionele benaderingen, terwijl nuttig in vele scenario's, vereisen vaak uitgebreide parameter tuning en kan niet goed generaliseren aan variërende bedrijfsomstandigheden of breedbandsignalen.

Traditionele modelleringstechnieken en hun beperkingen

Modellen van de Volterra-serie

De Volterra serie is een klassiek wiskundig kader voor het modelleren van niet-lineaire systemen met geheugen. Het drukt de output uit als een som van multidimensionale convolution integraals van de input. Voor stroomversterkers, afgeknotte Volterra modellen kunnen zowel non-lineaire als geheugen effecten vastleggen tot een bepaalde orde. Echter, het aantal coëfficiënten groeit exponentieel met de niet-lineaire orde en geheugendiepte, wat leidt tot een slechte schaalbaarheid en hoge rekenkosten. Bovendien, Volterra modellen vaak vereisen zorgvuldige selectie van kernels en regularisatie om te voorkomen dat overfitting.

Geheugen Polynomiale Modellen

Een speciaal geval van Volterra serie is het geheugen polynomial (MP) model, dat de structuur vereenvoudigt door alleen diagonale termen te overwegen. MP modellen worden op grote schaal gebruikt in digitale predistortion (DPD) vanwege hun relatieve eenvoud en acceptabele nauwkeurigheid voor vele smalband toepassingen. Toch kunnen MP modellen voor breedbandsignalen met sterke geheugeneffecten niet volstaan omdat ze kruistermen negeren die belangrijke interacties tussen verschillende vertragingskranen vastleggen.

Opzoeken van modellen (LUT)

LUT-gebaseerde modellen slaan vooraf berekende outputwaarden op voor een gedisretiseerd raster van inputamplitudes en -fasen. Ze zijn eenvoudig te implementeren en kunnen sterke non-lineairheden aan, maar ze vereisen grote tabellen voor hoge resolutie modellering en vangen geen inherent geheugeneffecten op. Uitbreidingen zoals time-delay LUT's voegen geheugen toe ten koste van exponentieel verhoogde opslag.

Al deze traditionele methoden delen gemeenschappelijke beperkingen: ze vertrouwen op parametrische vormen die niet overeenkomen met het ware versterkergedrag, ze zijn gevoelig voor modelorderkeuze, en ze kunnen zich niet goed aanpassen aan veranderende bedrijfsomstandigheden. Bovendien vereisen ze vaak deskundige kennis om te stemmen en valideren. Deze uitdagingen hebben de invoering van machine learning technieken gemotiveerd die kunnen leren van gegevens zonder zich te beperken tot vooraf gedefinieerde wiskundige structuren.

Machine Learning Approaches voor Power Amplifier Modeling

Machine learning biedt een flexibel, data-gedreven paradigma voor het modelleren van PA gedrag. Door training op gemeten input-output data, ML modellen kunnen ongeveer willekeurig complexe niet-lineaire functies, waaronder die met geheugen. De meest succesvolle methoden zijn verschillende neurale netwerkarchitecturen, ondersteuning vector machines (SVM), Gaussiaanse processen, ensemble methoden zoals willekeurige bossen.

Neurale netwerken

Neurale netwerken zijn bijzonder geschikt voor PA-modellering omdat ze universele functieafstandsbedieningen zijn. Een eenvoudig feedforward neuraal netwerk met één of meer verborgen lagen kan statische non-lineairheid leren, terwijl terugkerende architecturen zoals time-delay neurale netwerken (TDNN) of lange korte termijn geheugen (LSTM) netwerken geheugeneffecten kunnen vastleggen door het verwerken van sequenties van input samples.

  • Feedforward neurale netwerken (FNN) worden gebruikt voor statische gedragsmodellen. Inputfuncties omvatten meestal het huidige invoermonster en verschillende vertraagde waarden om rekening te houden met geheugen. FNN's zijn snel te trainen en uit te voeren, waardoor ze geschikt zijn voor DPD-toepassingen.
  • Tijdvertragingsneurale netwerken nemen expliciet vroegere ingangen via afgetapte vertragingslijnen in. Ze zijn effectief voor het modelleren van beperkte geheugendiepte maar kunnen groot worden wanneer de geheugenspanne lang is.
  • Recurrente neurale netwerken (RNNs) en LSTM-netwerken zijn ontworpen om afhankelijkheden van variabele lengte te verwerken. LSTM's kunnen met name langetermijngeheugeneffecten opvangen die voortvloeien uit thermische of biase dynamiek. Ze vereisen echter meer gegevens en berekeningen om te trainen.
  • Complexe gewaardeerde neurale netwerken verwerken direct basisband I/Q signalen zonder echte en imaginaire delen te scheiden. Deze benadering bewaart de fase-informatie en heeft superieure nauwkeurigheid getoond voor AM/PM modellering.

Ondersteuning Vector Machines voor Regressie (SVR)

Ondersteuning vector regressie kaarten input functies in een high-dimensionale ruimte via kernel functies en vindt een hyperplane dat voorspellingsfout minimaliseert binnen een marge. SVR modellen zijn gebruikt voor PA modelleren met geschikte kernels (bijv. radiale basis functie). Ze bieden goede generalisatie met kleine datasets maar worden computerkosten naarmate de training set grootte groeit. Hun prestaties zijn ook gevoelig voor hyperparameter tuning (kernel type, C, epsilon).

Gaussiaanse processen (GP)

Gaussiaanse proces regressie is een probabilistische machine learning methode die zowel een gemiddelde voorspelling als een onzekerheid schatting. Voor PA modeling, GPs kunnen vangen niet-lineairheden en geheugen door de keuze van de functie van de covarium. Ze zijn bijzonder waardevol wanneer slechts een beperkt aantal metingen beschikbaar zijn, omdat ze natuurlijk voorkomen dat overfitting. Echter, GP-inferentieschalen kubieke met het aantal trainingspunten, waardoor ze ongeschikt voor real-time DPD zonder benadering.

Samenvoegmethoden

Willekeurige bosregressie en gradiënt stimuleren modellen zijn ook onderzocht voor PA gedrag modelleren. Deze boom gebaseerde methoden zijn robuust voor uitschieters, vereisen weinig gegevens voorverwerking, en kunnen omgaan met high-dimensionale ingangen. Ze vangen interacties tussen input functies effectief, maar zijn niet zo nauwkeurig als neurale netwerken voor zeer gladde niet-lineaire functies, en ze kunnen niet direct model continue tijddynamiek.

Informatie-informatie-informatie

Het succes van elk machine learning model hangt sterk af van de kwaliteit en representativiteit van de trainingsgegevens. Voor PA modeling, het ingangssignaal moet de versterker over zijn volledige dynamische bereik, inclusief verzadiging. Gemeenschappelijke training signalen omvatten gemoduleerde golfvormen zoals WCDMA, LTE, of 5G NR, evenals multi-tone signalen. Belangrijke overwegingen zijn:

  • Signale bandbreedte Het trainingssignaal moet de beoogde operationele bandbreedte bestrijken om ervoor te zorgen dat het model frequentieafhankelijke geheugeneffecten vastlegt.
  • Terugkeervermogen . . De metingen moeten zich uitstrekken van een laag ingangsvermogen tot een aantal dB in compressie om AM/AM en AM/PM-kenmerken vast te leggen.
  • Gegevensgrootte
  • Geluids- en meetfouten .. Een goede filtering en gemiddelden zijn nodig om te voorkomen dat het geluid wordt aangepast aan metingen, waardoor generalisatie wordt afgebroken.
  • Validatie

Bovendien kunnen datavergrotingstechnieken zoals het toevoegen van synthetische storingen of het gebruik van bootstrapping de robuustheid verbeteren, vooral wanneer experimentele gegevens schaars zijn.

Voordelen van modellen voor machineleren boven traditionele benaderingen

Wanneer goed ontworpen en getraind, ML modellen bieden verschillende dwingende voordelen voor PA gedrag modelleren:

  • Hoge nauwkeurigheid
  • Aanpasbaarheid Modellen kunnen worden omgetraind met nieuwe gegevens om veranderingen in de bedrijfsomstandigheden (temperatuur, veroudering, belastingsverschil) te verwerken zonder dat de modelstructuur hoeft te worden geherformuleerd.
  • Verminderde modelleringsinspanning
  • Snelle gevolgtrekking .De meeste ML-modellen produceren een voorspelling in microseconden, geschikt voor realtime DPD in basisbandprocessoren of FPG's.
  • Het in kaart brengen van complexe niet-lineaire dynamieken . . Neurale netwerken met geheugenstructuren kunnen effecten modelleren zoals thermische vertraging en het opladen van vallen die uiterst moeilijk analytisch te vertegenwoordigen zijn.

Uitdagingen en huidige beperkingen

Ondanks hun belofte, ML benaderingen voor PA modeling zijn niet zonder uitdagingen:

  • Gegevensvereisten .. Neurale netwerken, vooral diepe architecturen, vereisen grote hoeveelheden hoogwaardige trainingsgegevens. Het verzamelen van dergelijke gegevens onder alle mogelijke bedrijfsomstandigheden is duur en tijdrovend.
  • Computatiekosten . . . Training complexe modellen kunnen uren of dagen duren, met name voor Gaussiaanse processen of LSTM's met lange sequenties. Dit beperkt de mogelijkheid om snelle ontwerpiteraties uit te voeren.
  • Overbouw
  • Interpreteerbaarheid . ML-modellen worden vaak behandeld als zwarte dozen, waardoor het moeilijk is om fysieke inzichten te krijgen in versterkergedrag. Dit is een zorg voor betrouwbaarheid en debugging in industriële toepassingen.
  • Stabiliteit en robuustheid . ML voorspellingen kunnen onstabiel zijn buiten het trainingsgebied of onder signaalomstandigheden die niet tijdens de training worden aangetroffen. Technieken zoals tegenwerkingstraining en Bayesiaanse benaderingen kunnen helpen maar complexer maken.
  • Hardware-integratie . . Het implementeren van ML-modellen in real-time DPD-systemen vereist zorgvuldige optimalisatie voor met hulpbronnen verbonden platforms (FPGA's, ASIC's). Modelcompressie (bijv. quantization, snoeien) is vaak noodzakelijk.

Casestudies en toepassingen in de reële wereld

Digitale voorvervorming met Neurale netwerken

Een van de meest directe toepassingen van ML-gebaseerde PA-modellering is in digitale predistortie (DPD). In DPD wordt een invers model van de PA gebruikt om het ingangssignaal voor te vervormen, waardoor de non-lineairheden van de versterker worden verwijderd. Neurale netwerk DPD heeft aangetoond tot 20 dB verbetering in aangrenzende kanaallekkage ratio (ACLR) in vergelijking met polynomiale DPD, vooral voor breedband 5G signalen. Recent werk bij bedrijven als Qualcomm en NXP Semiconds[] heeft onderzoek gedaan naar compacte neurale architecturen die voldoen aan real-time latency eisen.

Thermische Geheugen Modellering

Thermische effecten veroorzaken langdurig geheugen in PA's, met tijdconstanten op de orde van milliseconden. Traditionele modellen worstelen om deze effecten vast te leggen omdat ze een groot aantal kranen vereisen. LSTM netwerken kunnen echter deze dynamiek leren uit gegevens, die hoge nauwkeurigheid bereiken met een bescheiden modelgrootte. Onderzoek gepubliceerd in IEEE Transactions on Microwave Theory and Techniques heeft aangetoond dat LSTM's polynomiale modellen overtreffen door meer dan 5 dB in MSE onder thermische stress.

Modellering van GaN-vermogenversterkers

Galliumnitride (GaN) PA's worden steeds vaker gebruikt in high-power toepassingen vanwege hun hoge efficiëntie en bandbreedte. Echter, ze vertonen sterke vangeffecten die dispersie veroorzaken. Machine learning modellen, met name ondersteunen vector regressie met gespecialiseerde kernels, zijn gebruikt om het drain huidig gedrag van GaN HEMTs modelleren, wat leidt tot meer accurate circuit simulaties. Het snijpunt van ML met fysica-gebaseerde compacte modellering is een actief onderzoeksgebied.

Toekomstige aanwijzingen en hybride modellering

De volgende generatie PA-modellen zal waarschijnlijk de sterke punten van machine learning combineren met traditionele modellen op basis van natuurkunde of circuits. Hybride benaderingen kunnen dataafhankelijkheid verminderen en de interpreteerbaarheid verbeteren:

  • Fysisch-geïnformeerde neurale netwerken (PINNs) nemen bekende differentiaalvergelijkingen (bijvoorbeeld van gelijkwaardige circuitmodellen) in de verliesfunctie tijdens de training op. Dit beperkt het netwerk tot fysiek plausibele oplossingen en verbetert de extrapolatie.
  • Het leren van de overdracht maakt het mogelijk om een model dat op één PA is opgeleid, te verfijnen voor een soortgelijke PA met minimale nieuwe gegevens, waardoor de implementatie van producten in verschillende productfamilies wordt versneld.
  • Bayesiaanse neurale netwerken bieden onzekerheidsschattingen, die cruciaal zijn voor een robuuste DPD- en betrouwbaarheidsbeoordeling.

Een andere veelbelovende trend is het gebruik van online leren] waar het model blijft updaten tijdens normale werking. Dit kan trage variaties compenseren als gevolg van temperatuurdrift of component veroudering zonder onderbreking van het systeem. Onderzoek naar gefedereerd leren voor gedistribueerde DPD-systemen over basisstations is ook gaande.

Ten slotte zal de opkomst van hardware-geoptimaliseerde ML-versnellers (bv. Xilinx AI Engine, ARM Ethos) het haalbaar maken om geavanceerde neurale netwerken in DPD-lussen te implementeren met een zeer lage latentie en energieverbruik. Deze convergentie van ML en RF engineering zal naar verwachting een hoeksteen zijn van toekomstige 6G communicatiesystemen.

Conclusie

Machine learning heeft fundamenteel de manier waarop ingenieurs modelleren en voorspellen van het gedrag van de stroomversterker. Door het benutten van data-gedreven technieken zoals neurale netwerken, ondersteuning vector machines, en Gaussiaanse processen, is het nu mogelijk om modelling nauwkeurigheid en flexibiliteit die veel hoger zijn dan de traditionele methoden te bereiken. Terwijl uitdagingen in data, rekenkosten en interpreteerbaarheid blijven, blijven lopende onderzoek en industriële adoptie de grenzen van wat haalbaar is te verleggen. Aangezien communicatiesystemen evolueren naar hogere frequenties, bredere bandbreedtes en meer complexe modulaties, machine learning zal een steeds essentiëlere rol spelen in het waarborgen dat stroomversterkers werken op piekprestaties met minimale vervorming. De integratie van ML in PA ontwerp en linearisatie is niet alleen een trendit is een fundamentele verschuiving in hoe we benaderen niet-lineaire systeem modellering.