Modern iletişim sistemlerinde, güç yükselteçleri (PAs) sinyal gücünü aktarmadan önce kritiktir. Performansları doğrudan sistem tasarımı için temel verimlilik, lineerlik ve optimizasyon yaklaşımlarını doğrudan doğru bir şekilde göstermektedir. Ancak, PAs doğal olarak, özellikle geniş bant ve dinamik sinyal parametrelerinin tam karmaşıklığına sahip değildir. Son yıllarda, yükselteçsel davranışın doğru modelleme ve tahmin edilmesi, doğrusallaştırma ve optimizasyonun doğrudan doğru modellenmesi ve optimizasyonun sağlanması için bu yöntemlerin karmaşık olmayan analiz edilmesi için doğru bir yöntem olarak ortaya çıkmaktadır.

Güç Ampiriklerini ve nonlinear Davranışlarını Anlamak

Güç yükselteçleri, minimum disme ve yüksek verimlilik ile giriş sinyalinin gücünü artırmak için tasarlanmıştır.In practice, all PAs bazı doğrusal olmayanlık derecelerini sergilemektedir, bu da işletme noktalarına yaklaşımı olarak daha belirgin hale gelir. Nonlinearity, birkaç şekilde ortaya çıkmaktadır, en önemli şey amplif-toplam (AM/AM) bozulma ve amplifikasyon.

  • [FONT=0]AM/AM Depres[[Dönetici:0)))))))) Doğru bir şekilde, gerçek bir PA'da, büyük girdi için sıkıştırıcılar, bozulmaya yol açanlar.
  • [FONT=0]AM/PM distasyonu[[[Dönetici:0)) girdinin işlevi olarak yükseltildiği aşama değişimi yakalar. Bu aşama bozulması, özellikle de modern modulation formatlarında her iki amplifikasyon ve fazı kullanan önemli ölçüde bozulabilir.
  • [FONT:0]Memory etkileri[[Dönetici:0) Son giriş sinyallerinde PA çıkışının bağımlılığına atıfta bulunur. Bunlar, termal dinamiklerden, önyargı devrelerinden ve yarı iletken cihazlarda tuzaklardan kaynaklanır ve rembol müdahalesine katkıda bulunurlar.

Bir PA'yı etkili bir şekilde modellemek için, herhangi bir temsil bu doğrusal olmayanlar ve hafıza etkileri için dikkate almalıdır. Geleneksel yaklaşımlar, birçok senaryoda faydalı olsa da, genellikle geniş parametre ayarını gerektirir ve çeşitli çalışma koşulları veya geniş bant sinyalleri için iyi bir şekilde genellemez.

Geleneksel Modelleme Teknikleri ve Sınırları

Volterra Series Model modelleri

Volterra serisi hafıza ile doğrusal olmayan sistemler modellemek için klasik bir matematiksel çerçevedir.Bu, girişin toplamı olarak sabitlenme ve bellek derinliği ile sabitlenebilirlik ve yüksek hesaplama maliyetine yol açan bir dizi.

Memory Polynomial Modeller

Volterra serisi özel bir durum, birçok dar bantlı uygulama nedeniyle dijital önyükleme (DPD) tarafından yaygın olarak kullanılmaktadır. Ancak, geniş bant sinyalleri için güçlü hafıza ile basitleştirilmiş, MP modelleri farklı gecikme dokunuşları arasındaki önemli etkileşimleri göz ardı edebilir.

Bakup Table (LUT) Modelleri

LUT tabanlı modeller, girişin diskretsiz ızgarası ve aşamaları için önceden belirlenmiş çıktı değerleri depolar.Onlar güçlü doğrusal olmayanlıkları uygulamak ve işlemek kolaydır, ancak yüksek çözünürlüklü modelleme için büyük tablolar gerektirir ve doğal olarak yakalama etkiler. zaman-delay LUTs gibi zaman hafızaları üst düzeye çıkararak hafızayı genişletir.

Tüm bu geleneksel yöntemler ortak sınırlamaları paylaşıyor: Gerçek yükseltici davranışı eşleştirebilecek parametrik formlara güveniyorlar, modelleme seçimine duyarlılar ve işletme koşullarını değiştirmek için iyi adapte olmayabilirler. Ayrıca, genellikle analiz etmek ve doğrulamak için uzman bilgi gerektirir.Bu zorluklar, verileri önceden tanımlanmış matematiksel yapılarla sınırlı kalmadan öğrenebilecek makine öğrenme tekniklerini benimsemelerini motive etmişlerdir.

Mekanik Öğrenme Güç Amplifier Modeling için Yaklaşımlar

Makine öğrenimi, hafızaya sahip olanlar dahil olmak üzere esnek, veri odaklı bir paradigma sunar.Plamento analizinde eğitim alarak, ML modelleri, hafızaya sahip olanlar dahil olmak üzere yaklaşık hakemli karmaşık doğrusal olmayan işlevleri de beraberinde getirebilir.En başarılı yöntemler çeşitli sinir ağ mimarisi, destek vektör makineleri (SVM), Gaussian süreçleri ve rastgele ormanlar gibi yöntemler.

Neural Networks

Neural ağları özellikle PA modellemesi için iyi uygundur çünkü evrensel işleve bağlı olarak çalışır. Basit bir yemci sinir ağı bir veya daha gizli katmanlar statik doğrusal olmayanlığı öğrenebilir, zaman ayarlı sinir ağları (TDNN) veya uzun kısa süreli bellek uygulamaları, giriş örneklerini işleme ile hafıza etkilerini yakalayabilirler.

  • [FONT:0)Feed ileri sinir ağları (FNN) statik davranış modelleme için kullanılır. Giriş özellikleri genellikle hafıza için güncel giriş örneği ve birkaç gecikmiş değer içerir. FNNs trene ve idam etmek için hızlıdır, DPD uygulamaları için uygun hale getirir.
  • [FONT=0]Time-delay sinir ağları[Dönetici: 1 ) Açıkça geçmiş girişleri atarak gecikme hatlarıyla birleştirirler. Sınırlı hafıza derinliğini modellemek için etkilidirler ancak hafıza süresi uzun olduğunda büyük olabilirler.
  • [FONT:0)Recurrent sinir ağları (RNNs)) ve )LSTM ağları), değişken uzunlukta bağımlılıkları işlemek için tasarlanmıştır. LSTMs, özellikle, uzun vadeli etkilerden kaynaklanan uzun vadeli etkiler hafızayı yakalamak için daha fazla veri ve hesaplama gerektirir.
  • [FONT-değerli sinir ağları[Dönemli) doğrudan süreç üssü I/Q sinyalleri gerçek ve hayali parçaları ayrıştırmadan korur. Bu yaklaşım, aşama bilgilerini korur ve AM/PM modelleme için üstün doğruluk göstermiştir.

Regresyon için Vector Makineleri (SVR)

Güç vektör regresyon haritaları giriş, yüksek boyutlu bir alana çekirdek işlevleri ile giriş özellikleri ve bir marj içinde tahmin hatası en aza indiren hiperplane bulur.SVR modelleri uygun çekirdeklerle PA modelleme için de kullanılır (örneğin, radial temel işlevi). küçük veri setleri ile iyi genelleştirme sunarlar ancak eğitim set büyüklüğü büyüdükçe hesaplamalı olarak pahalı hale gelir.

Gaussian Süreçleri (GP)

Gaussian süreci regresyon, hem bir tahmin ve belirsizlik tahminini sağlayan bir olasılıksal makine öğrenme yöntemidir. PA modellemesi için GPs, tutarlılık işlevi seçimi olmadan, özellikle sınırlı sayıda ölçüm mevcut olduğunda, doğal olarak aşırı ödemeden kaçınılabilir.

Ensemble Yöntemleri

Rastgele orman regresyon ve gradient güçlendirme modelleri de PA davranışsal modelleme için araştırıldı. Bu ağaç temelli yöntemler, küçük veri preişleme gerektirir ve yüksek boyutlu girdileri ele geçirebilirler.

Eğitim Data Thinkations

Herhangi bir makine öğrenimi modelinin başarısı, WCDMA, LTE veya 5G NR gibi modlu dalgaformları da dahil olmak üzere tüm dinamik aralıklarında yükseltmelidir. Önemli düşünceler şunları içerir:

  • [FONT:0)Signal genişlik - Eğitim sinyali, modelin frekans bağımlı hafıza etkilerini sağlamak için tasarlanmış işletim bant genişliğini kapsamalıdır.
  • [FONT=0)Power backoff[[[Dönetici:0))[[Döneticiler düşük giriş gücünden birkaç dB'ye kadar AM/AM ve AM/PM özelliklerini yakalamaya kadar sıkıştırmaya kadar geçmeli.
  • [FONT:0)Data büyüklüğü[[DÜT:1) - Daha fazla veri genellikle model doğruluğunu geliştirirken, gerekli olan miktar model karmaşıklığına bağlıdır. binlerce parametre ile olan Neural ağları on binlerce örneke ihtiyaç duyar; daha basit modeller birkaç bin ile çalışabilir.
  • [FONT:0]Hayır ve ölçüm hataları[Dönemli: 1) Proper filtreleme ve averating, hangi genellemeyi ölçmeye uygun olan gürültüyü önlemeye ihtiyaç vardır.
  • [FONT=0]Validation[[[Dönetici: 1) - Ayrı bir test seti (eğitimde kullanılmadığı) model performansını görünmez sinyaller üzerinde değerlendirmek, genellikle normalleştirilmiş bir şekilde ölçülmelidir kare hatası (NMSE) veya eşsiz hata.

Ayrıca, sentetik perturbasyonlar eklemek veya bootstrapping kullanmak gibi bir ölçeklendirme tekniği, özellikle de deneysel veriler yetersiz olduğunda.

Makine Öğrenme Modelleri Geleneksel Yaklaşımlar Üzerinden Avantajları

Düzgün tasarlanmış ve eğitilmişken, ML modelleri PA davranışsal modelleme için birkaç çekici avantaj sunar:

  • [FONT:0) Yüksek doğruluk[[DÜDÜT:1) – ML modelleri çok düşük NMSE'ye ulaşabilir, genellikle aşağıda -40 dB, güçlü doğrusal olmayanlar ve uzun hafıza derinlikleri için bile.Bu doğruluk sabit sipariş polinomları veya Volterra serisi ile eşleşmek zordur.
  • [FONT:0]Adaptability) - Modeller, işletim koşullarındaki değişiklikleri barındırmak için yeni verilerle yeniden eğitilebilir (sıcak, yaşlanma, yük yanlış eşleştirme) model yapısını yeniden formüle etmeye gerek kalmadan.
  • [FONT:0]Redüktif çaba[[Dönetici: 1) Geliştiricinin belirli bir matematiksel form elde etmesi gerekmez; algoritma, veriden davranışı öğrenir. Bu, Doherty veya GaN tabanlı tasarımlar gibi karmaşık PA'lar için önemli mühendislik zamanını kurtarır.
  • [FONT=0)Fast inference[[[DÜT:1) – Bir kez eğitilmiş, çoğu ML modelleri mikrosaniyede tahminler üretir, temel bant işlemcileri veya FPGAs için uygun.
  • [FONT:0) Karmaşık doğrusal olmayan dinamikleri – hafıza yapıları ile ilgili neural ağlar, termal gecikme gibi etkiler ve analitik temsil etmek son derece zor olan tuzaklar gibi modellemeyi modelleyebilir.

Meydanlar ve Güncel Sınırlar

Onların sözüne rağmen, PA modellemesi için ML yaklaşımlar zorluk olmadan değildir:

  • [FONT:0)Data requirements[[Dönetici:0)[[[Döneticiler, özellikle derin mimariler, büyük miktarda yüksek kaliteli eğitim verileri gerektirir. Tüm olası işletim koşulları altında bu verileri toplamak pahalı ve zaman alıcıdır.
  • [FONT:0)C ⁇ maliyeti[Dönem: 1) Eğitim karmaşık modeller, özellikle Gaussian süreçleri veya LSTM'ler için uzun dizilerle hızlı tasarım yapabilme yeteneği kısıtlar.
  • [FONT:0)Genelleştirme[DÜDÜDÜDÜDÜDÜDÜDÜŞÜNÜDÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜ: 0,0)Üye Olmayanlar (örneğin, ağırlık, erken duraklama), ML modelleri eğitim gürültüyü ve kötüleştirici bir şekilde ayarlanma ve hiperparametre ayarlanmayı zorunlu hale getirebilir.
  • [FONT:0] Sorumluluk[Dönetici[Döneticiler)[Döneticiler)[Döneticiler) olarak tedavi edilirler; bu, fiziksel bilgileri yükseltici davranışlara zorlaşır.
  • [FONT=0]Stability and solidness[[Dönetici: 1 ) – ML tahminleri eğitim aralığında veya eğitim sırasında karşılaşılan sinyal koşullarının dışında kararsız olabilir.
  • [FONT:0)Hardware entegrasyonu[[[DFLT:1] – Gerçek zamanlı DPD sistemlerindeki ML modelleri, kaynak toplama platformları için dikkatli bir optimizasyon gerektirir (FPGAs, ASICs). Model sıkıştırma (e.g., niceleştirme, pruning) genellikle gereklidir.

Vaka Çalışmaları ve Gerçek Dünya Uygulamaları

Neural Networks ile Dijital Predistortion

ML tabanlı PA modellemesinin en doğrudan uygulamaları dijital predistortion (DPD) DPD'de, PA'nun ters modeli, özellikle de 5GD sinyalleri için kullanılır.Qualcom[DDDDD) için iptal edilir. [DDDDDPD, ön kanalda 20 dB'de artış gösterdi[ACNTD)

Termal Bellek Modelleme

Sıcaklık etkileri, PA'larda uzun vadeli hafızaya neden olur, milisaniyeler siparişinde zaman sabitleri ile. Geleneksel modeller bu etkileri yakalamaya mücadele eder, çünkü LSTM ağlarının büyük bir kısmını, bu dinamikleri verilerden öğrenebilirler, yüksek bir doğrulukla düşük bir model büyüklüğüne ulaşırlar.

GaN Power Amplifiers Modeling of GaN Power Amplifiers

Gallium nitride (GaN) PAs, yüksek verimlilik ve bant genişliği nedeniyle yüksek güç uygulamalarında giderek daha fazla kullanılıyor. Bununla birlikte, dağıtıma neden olan güçlü tuzak etkileri sergiliyor. Makine öğrenme modelleri, özellikle de uzman çekirdeklerle vektör regresyonunu destekliyorlar, GaN HEMTs'in mevcut davranışını modellemek için kullanılıyorlar, daha doğru devre simülasyonlarına yol açıyorlar.

Future Path and Hybrid Modeling

Bir sonraki PA modellemesi, geleneksel fizik tabanlı veya devre seviyesindeki modeller ile makine öğreniminin güçlü yönlerini birleştirecektir. Hybrid yaklaşımlar veri bağımlılığını azaltabilir ve yorumlanabilirliği geliştirebilir:

  • [FONT:0)Physics-informal sinir ağları (NPINN)), bilinen diferansiyel denklemleri (örneğin, eşdeğer devre modellerinden) eğitim sırasında kayıp işlevine dahil etmek. Bu, ağ fiziksel olarak dayanılmaz çözümlere ve ekstrapolasyona yükseltmektedir.
  • [FONT:0)Transfer öğrenme[[[Dönetici:0) Bir PA üzerinde eğitilmiş bir model, ürün ailelerine karşı en az yeni bir PA için iyi bir şekilde tahsis edilmesine izin verir.
  • [FONT=0]Bayesian sinir ağları[[DDDDDDDDDDD) belirsiz tahminler sağlar, ki bu sağlam DPD ve güvenilirlik değerlendirme için çok önemlidir.

Başka bir umut verici eğilim, sistemden uzaklaşmadan yavaş varyasyonlar telafi etmek için telafi edilebilir. Araştırma, baz istasyonların altındaki DPD sistemleri için de devam eden yavaş değişiklikler için telafi edilebilir.

Son olarak, DPD döngülerinde sofistike sinir ağları, çok düşük gecikmeli ve güç tüketimi ile birlikte dağıtmayı mümkün kılacaktır. [FONT, Xilinx AI Engine, ARM Ethos) DPD döngülerinde çok düşük gecikmeli ve güç tüketimi ile karmaşık bir şekilde dağıtmayı mümkün kılacaktır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi temel olarak, mühendisler modeli haline geldi ve güç yükseltici davranışını tahmin etti.Bu tür sinir ağları, destek vektör makineleri ve Gaussian süreçleri gibi veri odaklı teknikleri kullanarak, daha karmaşık modlamalar ve esneklik elde etmek mümkün, bu güç yükselteçlerinin en az performansta çalışmasını sağlamak için daha önemli bir rol oynayacaktır.