Использование машинного обучения для моделирования и прогнозирования поведения усилителя мощности

В современных системах связи усилители мощности (УУС) имеют решающее значение для повышения мощности сигнала перед передачей. Их производительность напрямую влияет на общую эффективность, линейность и спектральную чистоту системы. Однако УУС по своей сути проявляют нелинейное поведение, эффекты памяти и чувствительность к условиям работы, таким как температура и напряжение питания. Поэтому точное моделирование и прогнозирование поведения усилителя необходимы для проектирования системы, линеаризации и оптимизации. Традиционные подходы к моделированию часто не позволяют уловить всю сложность этих устройств, особенно в условиях широкополосного и динамического сигнала. В последние годы машинное обучение (МЛ) появилось в качестве мощной альтернативы, основанной на данных, предлагая возможность изучать сложные нелинейные отношения непосредственно из данных измерений. В этой статье исследуется использование методов машинного обучения для моделирования и прогнозирования поведения усилителя мощности, выделяя ключевые методы, преимущества, проблемы и будущие направления.

Понимание усилителей силы и их нелинейного поведения

Усилители мощности предназначены для повышения уровня мощности входного сигнала с минимальным искажением и высокой эффективностью. На практике все ПУ проявляют некоторую степень нелинейности, которая становится более выраженной по мере приближения рабочих точек к насыщению. Нелинейность проявляется несколькими способами, наиболее важными из которых являются искажение амплитуды к амплитуде (AM/AM) и искажение амплитуды к фазе (AM/PM).

• AM/AM искажение описывает, как изменяется выходная амплитуда относительно входной амплитуды.В идеальном линейном усилителе соотношение является прямой линией; в реальном PA усиление сжимается для больших входных амплитуд, приводя к искажению.
• AM/PM искажение фиксирует фазовый сдвиг, вносимый усилителем в качестве функции амплитуды ввода. Это фазовое искажение может значительно ухудшить производительность системы, особенно в современных форматах модуляции, которые используют как амплитуду, так и фазу.
• Эффекты памяти относятся к зависимости PA-выхода от прошлых входных сигналов. Они возникают из тепловой динамики, цепей смещения и улавливания заряда в полупроводниковых устройствах, и они способствуют спектральному росту и интерсимволической интерференции.

Для эффективного моделирования ПА любое представление должно учитывать эти нелинейности и эффекты памяти. Традиционные подходы, хотя и полезны во многих сценариях, часто требуют обширной настройки параметров и могут не хорошо обобщать различные условия работы или широкополосные сигналы.

Традиционные методы моделирования и их ограничения

Модели серии Volterra

Серия Volterra — классическая математическая основа моделирования нелинейных систем с памятью. Она выражает выход как сумму многомерных интегралов свёртки входа. Для усилителей мощности усеченные модели Volterra могут захватывать как нелинейность, так и эффекты памяти до определённого порядка. Однако число коэффициентов экспоненциально возрастает с нелинейным порядком и глубиной памяти, что приводит к плохой масштабируемости и высокой вычислительной стоимости. Кроме того, модели Volterra часто требуют тщательного подбора ядер и регуляризации, чтобы избежать переобучения.

Полиномиальные модели памяти

Особым случаем серии Volterra является модель полинома памяти (MP), которая упрощает структуру, рассматривая только диагональные термины.Модели MP широко используются в цифровом преискажении (DPD) из-за их относительной простоты и приемлемой точности для многих узкополосных приложений. Тем не менее, для широкополосных сигналов с сильными эффектами памяти модели MP могут быть неадекватными, поскольку они игнорируют перекрестные термины, которые фиксируют важные взаимодействия между различными кранами задержки.

Lookup Table (LUT) - модель

Модели на основе LUT хранят предвычисленные выходные значения для дискретизированной сетки входных амплитуд и фаз. Они просты в реализации и могут обрабатывать сильные нелинейности, но они требуют больших таблиц для моделирования с высоким разрешением и не захватывают по своей сути эффекты памяти. Расширения, такие как LUT с задержкой времени, добавляют память за счет экспоненциально увеличенного хранилища.

Все эти традиционные методы имеют общие ограничения: они опираются на параметрические формы, которые могут не соответствовать истинному поведению усилителя, они чувствительны к выбору порядка модели, и они могут не очень хорошо адаптироваться к изменяющимся условиям работы. Кроме того, они часто требуют экспертных знаний для настройки и проверки. Эти проблемы мотивировали принятие методов машинного обучения, которые могут учиться на данных, не ограничиваясь заранее определенными математическими структурами.

Подходы машинного обучения для моделирования усилителей мощности

Машинное обучение обеспечивает гибкую, управляемую данными парадигму для моделирования поведения ПА. Обучаясь измеренным данным ввода-вывода, модели ML могут аппроксимировать произвольно сложные нелинейные функции, в том числе с памятью. Наиболее успешные методы включают различные архитектуры нейронных сетей, машины вектора поддержки (SVM), гауссовские процессы и ансамблевые методы, такие как случайные леса.

Нейронные сети

Нейронные сети особенно хорошо подходят для моделирования PA, поскольку они являются универсальными аппроксиматорами функций.Простая нейронная сеть с одним или несколькими скрытыми слоями может изучать статическую нелинейность, в то время как рекуррентные архитектуры, такие как нейронные сети с задержкой времени (TDNN) или сети с длинной кратковременной памятью (LSTM), могут захватывать эффекты памяти путем обработки последовательностей входных образцов.

• Передовые нейронные сети (FNN) используются для статического поведенческого моделирования. Функции ввода обычно включают в себя текущий образец ввода и несколько задержек для учета памяти. FNN быстро тренируются и выполняются, что делает их пригодными для приложений DPD.
• Нейронные сети с задержкой времени явно включают прошлые входы через нажатые линии задержки. Они эффективны для моделирования ограниченной глубины памяти, но могут стать большими, когда объем памяти длинный.
• Рекуррентные нейронные сети (RNN) и LSTM сети предназначены для обработки зависимостей переменной длины. LSTM, в частности, могут захватывать эффекты долговременной памяти, возникающие из тепловой или смещенной динамики. Однако для обучения им требуется больше данных и вычислений.
• Комплексно-значные нейронные сети непосредственно обрабатывают сигналы I/Q базовой полосы без разделения реальных и воображаемых частей. Этот подход сохраняет информацию о фазе и показал превосходную точность для моделирования AM/PM.

Векторные машины поддержки регрессии (SVR)

Поддерживающая векторная регрессия отображает входные функции в высокоразмерное пространство через функции ядра и находит гиперплоскость, минимизирующая ошибку предсказания в пределах поля. Модели SVR использовались для моделирования PA с подходящими ядрами (например, радиальной базой функции). Они предлагают хорошее обобщение с небольшими наборами данных, но становятся вычислительно дорогими по мере роста размера тренировочного набора. Их производительность также чувствительна к настройке гиперпараметров (тип ядра, C, эпсилон).

Гауссовы процессы (GP)

Гауссова регрессия процесса — вероятностный метод машинного обучения, обеспечивающий как среднее предсказание, так и оценку неопределенности. Для PA-моделирования GP могут захватывать нелинейности и память посредством выбора функции ковариации. Особенно ценны они, когда доступно лишь ограниченное количество измерений, поскольку они естественным образом избегают переобучения. Однако шкалы вывода GP кубически с количеством точек обучения, делая их непригодными для DPD в реальном времени без приближения.

Методы ансамбля

Случайные модели лесной регрессии и ускорения градиента также были изучены для поведенческого моделирования PA. Эти методы на основе деревьев устойчивы к выбросам, требуют небольшой предварительной обработки данных и могут обрабатывать высокоразмерные входы. Они эффективно захватывают взаимодействия между входными функциями, но не так точны, как нейронные сети для очень гладких нелинейных функций, и они не могут напрямую моделировать непрерывную динамику времени.

Учебные данные Рассмотрение

Успех любой модели машинного обучения в значительной степени зависит от качества и репрезентативности данных обучения. Для моделирования PA входной сигнал должен осуществлять усилитель в полном динамическом диапазоне, включая насыщение. Общие сигналы обучения включают модулированные формы волн, такие как WCDMA, LTE или 5G NR, а также многотоновые сигналы. Важные соображения включают:

• Ширина полосы сигнала — Тренировочный сигнал должен покрывать предполагаемую рабочую полосу пропускания, чтобы обеспечить захват модели частотно-зависимых эффектов памяти.
• Отказ мощности — Измерения должны охватывать от низкой входной мощности до нескольких дБ в сжатие для захвата характеристик AM/AM и AM/PM.
• Размер данных — В то время как большее количество данных обычно повышает точность модели, требуемый объем зависит от сложности модели. Нейронные сети с тысячами параметров нуждаются в десятках тысяч образцов; более простые модели могут работать с несколькими тысячами.
• Шум и ошибки измерения — необходима правильная фильтрация и усреднение, чтобы избежать подгонки к шуму измерения, который ухудшает обобщение.
• Проверка — Отдельный тестовый набор (не используется в обучении) необходим для оценки производительности модели на невидимых сигналах, часто количественно определяемых нормализованной средней квадратной ошибкой (NMSE) или ошибкой смежности.

Кроме того, методы увеличения данных, такие как добавление синтетических возмущений или использование бутстраппинга, могут повысить надежность, особенно когда экспериментальных данных мало.

Преимущества моделей машинного обучения перед традиционными подходами

При правильном проектировании и обучении модели ML предлагают несколько преимуществ для поведенческого моделирования PA:

• Высокая точность — модели ML могут достигать очень низкой NMSE, часто ниже —40 дБ, даже для сильных нелинейностей и длинных глубин памяти.Эта точность трудно сопоставить с полиномами фиксированного порядка или сериями Вольтерра.
• Адаптация — Модели могут быть переобучены с новыми данными для учета изменений условий эксплуатации (температура, старение, несоответствие нагрузки) без необходимости переформулировать структуру модели.
• Сокращение усилий по моделированию — Разработчику не нужно вручную получать конкретную математическую форму; алгоритм учится поведению на основе данных. Это экономит значительное инженерное время для сложных PA, таких как проекты на основе Doherty или GaN.
• Быстрый вывод — После обучения большинство моделей ML производят прогнозы в микросекундах, подходящих для DPD в реальном времени в процессорах базовой полосы или FPGA.
• Захват сложной нелинейной динамики — Нейронные сети со структурами памяти могут моделировать эффекты, такие как тепловое запаздывание и захват заряда, которые чрезвычайно трудно представить аналитически.

Проблемы и существующие ограничения

Несмотря на свои обещания, подходы к моделированию ПА не лишены проблем:

• Требования к данным — Нейронные сети, особенно глубокие архитектуры, требуют больших объемов высококачественных обучающих данных.Сбор таких данных при всех возможных условиях эксплуатации стоит дорого и отнимает много времени.
• Вычислительные затраты — Обучение сложных моделей может занять часы или дни, особенно для гауссовских процессов или LSTM с длинными последовательностями.
• Переподготовка — Без надлежащей регуляризации (например, отсева, снижения веса, ранней остановки) модели ML могут запоминать тренировочный шум и плохо обобщать. Тщательная проверка и настройка гиперпараметра являются обязательными.
• Интерпретируемость — Модели ML часто рассматриваются как «черные ящики», что затрудняет получение физических данных о поведении усилителя.
• Стабильность и надежность — прогнозы МО могут быть нестабильными вне диапазона обучения или в условиях сигнала, не встречающихся во время обучения.
• Интеграция аппаратного обеспечения — Развертывание моделей ML в системах DPD в реальном времени требует тщательной оптимизации для платформ с ограниченными ресурсами (FPGA, ASIC).

Тематические исследования и реальные приложения

Цифровое искажение нейронных сетей

Одно из самых прямых применений ML-моделирования PA заключается в цифровом преискажении (DPD). В DPD для пре-искажения входного сигнала используется обратная модель PA, отменяющая нелинейности усилителя. Нейронная сеть DPD продемонстрировала до 20 дБ улучшение соотношения утечки соседних каналов (ACLR) по сравнению с полиномиальным DPD, особенно для широкополосных сигналов 5G. Недавние работы в таких компаниях, как Qualcomm и NXP Semiconductors исследовали компактные нейронные архитектуры, которые отвечают требованиям задержки в реальном времени.

Моделирование тепловой памяти

Термические эффекты вызывают долговременную память в PAs, с константами времени порядка миллисекунд. Традиционные модели изо всех сил пытаются захватить эти эффекты, потому что они требуют большого количества кранов. Сети LSTM, однако, могут узнать эту динамику из данных, достигая высокой точности со скромным размером модели. Исследования, опубликованные в IEEE Транзакции по теории и методам микроволновой печи , показали, что LSTM превосходят полиномиальные модели более чем на 5 дБ в NMSE при тепловом напряжении.

Моделирование усилителей мощности GaN

ПА нитрида галлия (GaN) все чаще используются в мощных приложениях из-за их высокой эффективности и пропускной способности. Однако они проявляют сильные эффекты захвата, которые вызывают дисперсию. Модели машинного обучения, особенно регрессия вектора поддержки со специализированными ядрами, использовались для моделирования текущего поведения стока GaN HEMTs, что приводит к более точному моделированию схем. Стык ML с компактным моделированием на основе физики является активной областью исследований.

Будущие направления и гибридное моделирование

Следующее поколение PA-моделирования, вероятно, объединит сильные стороны машинного обучения с традиционными физическими моделями или моделями на уровне схем. Гибридные подходы могут уменьшить зависимость данных и улучшить интерпретируемость:

• Физико-информированные нейронные сети (PINN) включают известные дифференциальные уравнения (например, от эквивалентных моделей схем) в функцию потерь во время обучения. Это ограничивает сеть физически правдоподобными решениями и улучшает экстраполяцию.
• Передача обучения позволяет настроить модель, обученную на одном PA, для аналогичного PA с минимальными новыми данными, ускоряя развертывание в семействах продуктов.
• Байесовские нейронные сети дают оценки неопределенности, которые имеют решающее значение для надежной оценки DPD и надежности.

Еще одна многообещающая тенденция - использование онлайн-обучения, где модель продолжает обновляться во время нормальной работы. Это может компенсировать медленные изменения из-за дрейфа температур или старения компонентов, не прерывая систему. Также ведутся исследования в области федеративного обучения для распределенных систем DPD на базовых станциях.

Наконец, появление аппаратно-оптимизированных ускорителей ML (например, Xilinx AI Engine, ARM Ethos) позволит развернуть сложные нейронные сети в контурах DPD с очень низкой задержкой и энергопотреблением. Ожидается, что эта конвергенция ML и RF-инженерии станет краеугольным камнем будущих систем связи 6G.