Motoare de predistorsiune digitală (DPD) mai inteligente: o abordare bazată pe rețele neurale
Acest articol abordează provocările legate de distorsiunea semnalului și de eficiența energetică redusă în amplificatoarele de putere (PA – Power Amplifiers) utilizate în comunicațiile wireless de nouă generație, prin introducerea unui cadru (framework) de predistorsiune digitală (DPD) bazat pe inteligență artificială.
Metodele tradiționale de DPD, bazate pe modele polinomiale, se confruntă cu o complexitate computațională ridicată și cu o adaptabilitate limitată la neliniarități și la efectele de memorie. Prin utilizarea unor arhitecturi neurale avansate, sistemul propus optimizează dinamic predistorsiunea, depășind abordările tradiționale în ceea ce privește eficiența, adaptabilitatea și corecția în timp real.
În ciuda unor provocări precum interpretabilitatea modelului și consumul de energie, acest cadru oferă soluții scalabile și eficiente din punct de vedere energetic, marcând un progres semnificativ în proiectarea emițătoarelor RF pentru rețelele moderne de comunicații.
Introducere
Lansat de OpenAI în noiembrie 2022, ChatGPT a devenit unul dintre produsele software adoptate cel mai rapid, demonstrând potențialul inteligenței artificiale (AI). Învățarea automată (ML), un subdomeniu al AI, transformă industriile prin automatizarea unor procese precum luarea deciziilor și analiza datelor.
În domeniul comunicațiilor, AI și ML contribuie la dezvoltarea predistorsiunii digitale (DPD), o tehnică esențială pentru reducerea distorsiunii semnalului și îmbunătățirea eficienței amplificatoarelor de putere (PA). Modelele DPD tradiționale întâmpină dificultăți în gestionarea neliniarităților și a efectelor de memorie din sistemele moderne de comunicații, precum 5G.
În mod uzual, funcționarea amplificatorului de putere este modelată ca fiind statică și fără memorie, pe baza unor modele polinomiale care descriu doar relațiile instantanee de intrare–ieșire. Inteligența artificială și învățarea automată, însă, excelează în modelarea comportamentelor complexe, oferind soluții mai precise.
Acest articol prezintă un cadru DPD bazat pe rețele neurale artificiale, care utilizează datele provenite de la amplificatorul de putere pentru a reduce erorile de câștig și fază, a îmbunătăți eficiența și a optimiza performanța spectrală, depășind limitările metodelor tradiționale.
Creșterea eficienței amplificatorului de putere: predistorsiunea digitală și inovația bazată pe AI
Predistorsiunea digitală este o tehnică esențială care permite amplificatoarelor de putere să funcționeze eficient în apropierea zonei de saturație, fără a compromite liniaritatea. Prin extinderea domeniului de funcționare liniară al amplificatorului de putere, DPD permite proiectanților de sisteme RF să valorifice eficiența unui amplificator neliniar, menținând în același timp liniaritatea semnalului de transmisie necesară pentru scheme complexe de modulație, precum multiplexarea în frecvență cu diviziune ortogonală (OFDM – Orthogonal Frequency Division Multiplexing).
În esență, DPD introduce coeficienți de predistorsiune derivați din modelarea caracteristicilor inverse amplitudine–amplitudine (AM-AM) și amplitudine–fază (AM-PM) ale amplificatorului de putere. Acest proces compensează neliniaritățile amplificatorului prin aplicarea unei antidistorsiuni precise asupra semnalului de intrare. În consecință, DPD îmbunătățește calitatea semnalului, permițând în același timp funcționarea amplificatorului de putere la eficiență maximă.
O prezentare detaliată a algoritmilor DPD și a modului în care transceiverul RF ADRV9040 de la ADI oferă o platformă hardware optimizată pentru proiectare și implementare este disponibilă în articolul “Simplifying Your 5G Base Transceiver Station Transmitter Line-Up, Design, and Evaluation”(Simplificarea arhitecturii, proiectării și evaluării emițătoarelor stațiilor de bază 5G). Figura 1 ilustrează conceptul DPD pentru liniarizarea răspunsului amplificatorului de putere.
Neliniarități în apropierea saturației
Figura 1: Conceptul generic al DPD pentru liniarizarea răspunsului amplificatorului de putere: (a) curba tipică AM-AM, care evidențiază domeniul de funcționare liniară (marcat cu verde); (b) principiul de bază al DPD și modul în care acesta îmbunătățește eficiența amplificatorului de putere. (Sursă: ADI)
Amplificatoarele de putere prezintă neliniarități în apropierea saturației, ceea ce conduce la distorsiuni ale semnalului, regenerare spectrală și scăderea eficienței, în special în sistemele cu lățime de bandă mare, afectate de fenomene precum dezechilibrul I/Q și efectele de memorie. Inteligența artificială și învățarea automată, în special rețelele neurale (NN – Neural Networks), oferă o soluție inovatoare prin modelarea acestor distorsiuni și optimizarea dinamică a predistorsiunii.
Această abordare bazată pe AI îmbunătățește eficiența și adaptabilitatea, depășind limitările metodelor tradiționale și menținând un echilibru între performanță și complexitatea computațională.
Optimizarea sistemelor DPD cu ajutorul modelelor de rețele neurale: un cadru inovator propus
Rețelele neurale artificiale reprezintă un element fundamental al inteligenței artificiale, în special în domeniul învățării profunde, fiind dezvoltate pentru a depăși limitările algoritmilor tradiționali de învățare automată. Inspirate de modul în care creierul uman procesează informația, rețelele neurale excelează în identificarea tiparelor, învățare și luarea deciziilor, ceea ce le face potrivite pentru rezolvarea problemelor complexe și neliniare.
De exemplu, în sistemele 5G și LTE, provocări precum dezechilibrul I/Q, variațiile de fază, deviațiile de curent continuu, diafonia și neliniaritățile amplificatorului de putere (PA) pot fi abordate eficient utilizând o strategie DPD bazată pe rețele neurale.
Spre deosebire de soluțiile DPD bazate pe modele polinomiale, care necesită cunoștințe detaliate despre comportamentul sistemului și se confruntă cu limitări de scalabilitate, modelele de rețele neurale excelează în gestionarea comportamentelor neliniare complexe, cu mai puține constrângeri.
Această secțiune prezintă un cadru DPD bazat pe rețele neurale, propus pentru a atenua neliniaritățile și imperfecțiunile emițătorului. Procesul implică trei etape principale: caracterizarea amplificatorului de putere și colectarea unui volum extins de date, antrenarea modelului de rețea neurală pentru compensarea distorsiunilor și implementarea acestuia, împreună cu monitorizarea și ajustarea continuă a performanței.
Prin valorificarea tehnicilor de învățare automată, această abordare transformă volume mari de date în informații utile, permițând dezvoltarea unor soluții robuste și scalabile pentru provocările moderne din domeniul comunicațiilor.
Pasul 1: Colectarea datelor pentru caracterizarea amplificatorului de putere
Figura 2: Configurație de măsurare pentru caracterizarea amplificatorului de putere de bandă largă. (Sursă: ADI)
Pentru proiectarea și implementarea modelelor AI/ML destinate optimizării amplificatoarelor de putere utilizate în comunicațiile wireless, este esențială colectarea unor date de caracterizare complete și de înaltă calitate, care să reflecte cu acuratețe performanța reală a amplificatorului în diverse condiții de funcționare. Figura 2 prezintă un exemplu de configurație care poate fi utilizată pentru colectarea acestor date.
Configurația platformei prezentată în Figura 2 permite o caracterizare completă prin extragerea unor parametri precum parametrii S, puterea de ieșire, eficiența puterii adăugate (PAE – Power-Added Efficiency), impedanța de intrare, pierderea de retur la intrare, câștigul de putere, conversia AM-PM și alții. Tabelul 1 prezintă o listă cuprinzătoare de date utilizate ca intrări în model.
Cu toate acestea, este important de menționat că numărul variabilelor de intrare și complexitatea modelului influențează timpul de răspuns. În plus, datele capturate trebuie digitizate înainte de a putea fi utilizate în procesul de antrenare.
Domenii |
Descriere și detalii |
Caracterizarea semnalelor mici |
Colectarea caracteristicilor de semnal mic utilizând parametrii S, măsurați cu un analizor de rețea vectorial pe intervalul de frecvență dorit și în condiții variabile de polarizare. Acești parametri oferă informații privind adaptarea intrare–ieșire și răspunsul în frecvență al amplificatorului de putere (PA). |
Comportament neliniar și date pentru semnale de mare amplitudine |
Măsurarea caracteristicilor neliniare în condiții de semnal mare. Aceasta include colectarea datelor privind relațiile dintre puterea de intrare și cea de ieșire (PIN vs. POUT), eficiența puterii adăugate (PAE) și punctele de compresie a câștigului (de exemplu, P1dB). Captarea caracteristicilor de distorsiune AM-AM și AM-PM este esențială pentru înțelegerea comportamentului amplificatorului la niveluri ridicate de putere. |
Indicatori de eficiență |
Colectarea datelor privind eficiența, inclusiv eficiența de drenă (drain efficiency) și eficiența globală, măsurate în diverse condiții de sarcină, niveluri de putere de intrare și frecvențe, precum și în funcție de temperatura de operare. |
Liniaritate și integritatea semnalului |
Colectarea indicatorilor de liniaritate, precum raportul de putere al canalului adiacent (ACPR – Adjacent Channel Power Ratio), magnitudinea vectorului de eroare (EVM – Error Vector Magnitude) și distorsiunea de intermodulație (IMD – Intermodulation Distortion). |
Performanță termică |
Colectarea datelor privind performanța termică, obținute cu ajutorul senzorilor termici. Acestea oferă informații despre disiparea căldurii și fiabilitatea amplificatorului de putere la diferite niveluri de putere și în diverse condiții de mediu. |
Date de mediu și de îmbătrânire |
Colectarea datelor privind condițiile de mediu (precum variațiile de temperatură și umiditate), precum și realizarea testelor de îmbătrânire accelerată, contribuie la estimarea performanței și a fiabilității pe termen lung. |
Caracteristici de zgomot |
Caracterizarea performanței în zgomot prin indicatori precum factorul de zgomot și spectrul zgomotului de fază, oferind informații esențiale privind integritatea semnalului. |
Tabelul 1: Domenii de măsurare și descrierea parametrilor
Această abordare riguroasă și sistematică a colectării datelor constituie baza dezvoltării unor modele AI/ML capabile să prezică cu acuratețe și să optimizeze performanța amplificatorului de putere. Utilizând acest set de date cuprinzător, proiectanții pot dezvolta sisteme de comunicații wireless fiabile și eficiente.
Pasul 2: Antrenarea modelului
Procesul de antrenare a modelului implică introducerea (parțială sau completă) a semnalelor colectate, prezentate în Tabelul 1, în sistem și optimizarea modelului DPD pentru minimizarea erorii, utilizând o funcție de pierdere. Arhitectura rețelei neurale este alcătuită din straturi interconectate de noduri (neuroni artificiali), organizate în componentele principale prezentate în Figura 3.
Componente principale |
Descriere și detalii |
Stratul de intrare |
Componentele de intrare I/Q, notate IIN(n) și QIN(n), reprezintă cerințele minime ale modelului. Variabile suplimentare de intrare, precum datele PIN/POUT și măsurătorile AM-AM și AM-PM, sunt prezentate în Tabelul 1. Deși modelul DPD bazat pe rețele neurale poate fi antrenat utilizând toate variabilele disponibile, includerea unui număr mai mare de variabile crește dimensionalitatea modelului și cerințele computaționale. Această complexitate suplimentară implică un număr mai mare de ponderi și biasuri de antrenat, ceea ce conduce la timpi mai mari de antrenare și inferență, precum și la cerințe sporite de memorie pentru stocarea modelului și procesarea calculelor intermediare. |
Straturile ascunse |
Straturile situate între stratul de intrare și cel de ieșire. Fiecare neuron preia intrări din stratul anterior, calculează o sumă ponderată, adaugă un termen de bias și aplică o funcție de activare. Inginerii ML pot experimenta cu diferite funcții de activare și pot selecta varianta optimă în funcție de aplicație și de rezultatele obținute. |
Stratul de ieșire |
Stratul final care furnizează predicțiile rețelei. Acesta transformă caracteristicile de nivel înalt învățate de straturile ascunse în ieșiri relevante. Figura 3 prezintă un scenariu multi-clasă cu două noduri, corespunzătoare a doi neuroni cu funcție de activare liniară, care generează coeficienții utilizați de blocul DPD prezentat în Figura 4. Aceste ieșiri pot fi utilizate direct sau pot fi prelucrate suplimentar. |
Ponderi (weights) |
Ponderile reprezintă importanța conexiunii dintre doi neuroni din straturi adiacente. O pondere determină influența ieșirii unui neuron asupra intrării unui neuron din stratul următor. |
Bias |
Parametru suplimentar adăugat la suma ponderată a intrărilor unui neuron. Acesta permite deplasarea funcției de activare și ajută rețeaua să modeleze relații mai complexe. |
Funcție de activare |
Funcția care introduce neliniaritate în model, permițând învățarea și reprezentarea relațiilor complexe din date. Exemple uzuale includ ReLU (unitate liniară rectificată), sigmoidă, tanh și softmax. |
Tabelul 2: Componentele principale ale rețelelor neurale și descrierea acestora
Figura 3: Arhitectura unei rețele neurale de predicție multi-clasă în învățarea profundă. (Sursă: ADI)
În timpul antrenării, datele sunt propagate prin rețea, iar ponderile și biasurile sunt ajustate prin retropropagare, utilizând metoda gradientului descendent. Structura rețelei poate fi ajustată prin creșterea numărului de neuroni în cazul componentelor puternic neliniare sau prin reducerea acestuia pentru elementele cu comportament mai apropiat de linearitate.
KNIME
Deși o analiză detaliată a celor mai potrivite echipamente, platforme software și instrumente AI pentru crearea unui mediu de antrenare eficient și scalabil depășește scopul acestui articol, inginerii din domeniul AI pot explora KNIME, o platformă de analiză a datelor și învățare automată care nu necesită programare. Aceasta oferă o interfață grafică (GUI) ce permite proiectarea fluxurilor de lucru prin mecanisme de tip drag-and-drop, eliminând necesitatea unor cunoștințe avansate de programare. Fluxurile de lucru astfel create sunt intuitive și ușor de urmărit, ceea ce face platforma accesibilă unui public larg.
Pentru cei care preferă o abordare bazată pe Python, Keras împreună cu TensorFlow oferă avantaje semnificative. Această combinație îmbină simplitatea Keras cu robustețea și scalabilitatea TensorFlow, fiind potrivită atât pentru faza de experimentare, cât și pentru implementări de învățare profundă la nivel de producție.
În cadrul procesului de caracterizare a amplificatorului de putere, se colectează volume mari de date, de ordinul milioanelor de eșantioane. În mod obișnuit, aproximativ 70% dintre acestea sunt utilizate pentru antrenare, iar restul de 30% pentru testare și validare, în vederea evaluării capacității modelului de a reproduce comportamentul amplificatorului de putere. Performanța modelului este evaluată folosind metrici precum acuratețea, precizia, recall-ul, scorul F1 și aria de sub curba ROC (ROC-AUC).
Pasul 3: Validarea și implementarea modelului de rețea neurală
Procesul de implementare începe cu validarea modelului, pentru a asigura robustețea și acuratețea acestuia. Datele de validare sunt utilizate pentru monitorizarea performanței în timpul antrenării și pentru stabilirea criteriilor de oprire, în timp ce datele de testare sunt folosite pentru evaluarea independentă a acurateței și a capacității de generalizare.
Gestionarea fenomenelor de supraajustare (overfitting) și subajustare (underfitting) este esențială pentru a asigura o bună generalizare la date noi. Supraajustarea poate fi redusă prin limitarea numărului de straturi, a numărului de neuroni sau a parametrilor modelului, prin extinderea setului de date de antrenare sau prin tehnici de tip pruning (eliminarea neuronilor redundanți care nu contribuie semnificativ la performanță), îmbunătățind astfel capacitatea de generalizare.
Pe de altă parte, subajustarea poate fi corectată prin creșterea numărului de neuroni pentru a spori complexitatea modelului, precum și prin ajustarea hiperparametrilor, cum ar fi rata de învățare, dimensiunea lotului (batch size) sau coeficienții de regularizare, pentru a îmbunătăți performanța. Inginerul ML trebuie să echilibreze aceste strategii și să evalueze iterativ performanța modelului DPD, ținând cont și de viteza de execuție.
Figura 4 ilustrează diagrama bloc de nivel înalt a arhitecturii sistemului de evaluare a modelului DPD bazat pe rețele neurale. În practică, determinarea numărului optim de neuroni necesită studii empirice, metode de tip “încercare și eroare” sau tehnici adaptive utilizate în timpul antrenării. Aceste ajustări permit obținerea unui echilibru adecvat între complexitate și performanță, facilitând implementarea eficientă a modelului.
Implementarea poate fi realizată pe platforme hardware cu capabilități de tip edge AI, cum ar fi microcontrolerul cu accelerator pentru rețele neurale convoluționale MAX78000 de la ADI.
Integrarea AI/ML în sistemele DPD: provocări și oportunități
Integrarea inteligenței artificiale și a învățării automate în sistemele DPD oferă un potențial semnificativ de îmbunătățire, dar aduce și provocări practice. Sistemele DPD necesită latență redusă și viteze ridicate de procesare, cerințe dificil de îndeplinit în cazul modelelor de învățare automată care solicită intens resursele de calcul.
În plus, condițiile dinamice de funcționare, precum variațiile de temperatură și degradarea componentelor hardware, impun utilizarea unor tehnici adaptive, cum ar fi învățarea în timp real sau învățarea prin transfer, pentru menținerea performanțelor optime.
Eficiența energetică reprezintă un alt factor critic, deoarece modelele AI/ML, în special arhitecturile de învățare profundă, pot avea un consum energetic mai ridicat decât metodele DPD tradiționale, ceea ce le face mai puțin potrivite pentru aplicații sensibile la consumul de energie.
Direcțiile viitoare de cercetare includ utilizarea unor rețele neurale compacte (lightweight), optimizate pentru a reduce numărul de parametri, cerințele de calcul și consumul de memorie. Aceste modele sunt deosebit de potrivite pentru aplicații în care resursele sunt limitate, precum dispozitivele mobile, sistemele din domeniul Internetului lucrurilor (IoT) sau alte platforme embedded.
Figura 4: Diagrama bloc a platformei de evaluare a modelului DPD bazat pe rețele neurale. (Sursă: ADI)
Lipsa interpretabilității în multe modele ML, în special în rețelele neurale profunde, complică integrarea acestora în sistemele DPD. Depanarea și optimizarea devin dificile atunci când procesele de decizie sunt opace, deoarece aceste modele reduc comportamentele complexe la ponderi, biasuri și funcții de activare.
Concluzie
Pe măsură ce tehnologiile 5G, inclusiv arhitecturile MIMO masiv, impun cerințe tot mai stricte privind consumul de energie și precizia, sistemele DPD trebuie să evolueze pentru a gestiona aceste complexități. AI/ML va juca un rol esențial în dezvoltarea unor soluții scalabile și eficiente din punct de vedere energetic, prin inovații precum învățarea adaptivă și modelarea hibridă.
Rețelele neurale, datorită capacității lor de a modela neliniarități complexe și efecte de memorie, simplifică proiectarea sistemelor DPD prin aproximarea funcțiilor neliniare, fără a necesita formulări matematice explicite.
Integrarea AI/ML îmbunătățește eficiența energetică, permițând amplificatoarelor de putere (PA) să funcționeze mai aproape de saturație, reducând astfel costurile asociate utilizării amplificatoarelor neliniare. În ciuda provocărilor existente, sistemele bazate pe AI/ML oferă perspective solide pentru îmbunătățirea preciziei, adaptabilității și scalabilității sistemelor DPD.
Abordările hibride, care combină metodele tradiționale bazate pe modele polinomiale cu tehnicile AI/ML, oferă o soluție echilibrată, îmbinând interpretabilitatea modelelor clasice cu capabilitățile avansate ale inteligenței artificiale. Prin abordarea acestor provocări prin strategii inovatoare, AI/ML poate genera progrese semnificative în sistemele DPD, susținând evoluția tehnologiilor moderne de comunicații.
Autor:
Hamed M. Sanogo,
Principal Engineer and End Market Specialist, ADI
Despre autor
Hamed M. Sanogo este inginer principal în cadrul Grupului de Soluții pentru Clienți (CSG) al Analog Devices, Inc. (ADI), având o vastă experiență în domenii precum aerospațial, apărare, comunicații și centre de date. Cu o experiență de aproape două decenii în cadrul ADI, a ocupat diverse roluri, inclusiv inginer de aplicații (FAE) și manager FAE, manager de linie de produse pentru soluții RFID securizate și dispozitive de autentificare, iar în prezent activează ca specialist în piețe finale, promovând soluții de ultimă generație pentru industrii critice.
Expertiza sa se bazează pe o formare academică solidă: a obținut un master în inginerie electrică (M.S.E.E.) la Universitatea din Michigan-Dearborn și un MBA la Universitatea din Dallas. Înainte de a se alătura ADI, a fost inginer de proiectare senior la General Motors și inginer electric senior la Motorola Solutions, unde a coordonat proiectarea plăcilor de bandă de bază pentru stații Node-B și unități radio la distanță (RRU – Remote Radio Unit).
Pasionat de inovație și de rezolvarea problemelor, Hamed continuă să contribuie activ la progresul industriei în cadrul ADI.
Vizitați https://ez.analog.com
Conținut asociat
- ADRV9040 – SoC 8T8R cu DFE, transceiver RF cu lățime de bandă internă (iBW) de 400 MHz (https://www.analog.com/en/products/adrv9040.html )
- ADRV9042 – SoC 8T8R cu DFE, transceiver RF cu lățime de bandă internă (iBW) de 400 MHz (https://www.analog.com/en/products/adrv9042.html )
- MAX78000 – Microcontroler cu accelerator AI integrat pentru rețele neurale convoluționale, cu consum energetic foarte redus (https://www.analog.com/en/products/max78000.html )
Resurse
Articole tehnice: https://www.analog.com/en/resources/technical-articles/simplifying-your-5g-base-transceiver-station-transmitter-line-up-design-and-evaluation.html
Piețe și tehnologii
Radio Frequency (RF) Solutions: https://www.analog.com/en/solutions/rf-technology.html
Wireless Communications: https://www.analog.com/en/solutions/wireless-communications.html
mmWave Communications: https://www.analog.com/en/solutions/wireless-communications/wireless-infrastructure/mmwave-communications.html
Glosar de termeni
DPD (Digital Predistortion) – Tehnică de corecție a neliniarităților amplificatoarelor de putere prin aplicarea unei predistorsiuni inverse semnalului de intrare.
Amplificator de putere (PA) – Dispozitiv RF care amplifică semnalul înainte de transmisie, fiind o sursă majoră de neliniarități și pierderi de eficiență.
Efecte de memorie – Dependența ieșirii amplificatorului de semnale anterioare, influențând comportamentul dinamic al sistemului.
AM-AM / AM-PM – Caracteristici care descriu modul în care amplitudinea semnalului afectează amplitudinea și faza la ieșirea amplificatorului.
PAE (Power-Added Efficiency) – Indicator al eficienței amplificatorului, raportând puterea utilă obținută la puterea consumată.
Rețele neurale (Neural Networks) – Modele AI capabile să învețe relații complexe și neliniare din date, utilizate pentru modelarea comportamentului sistemelor RF.
Funcție de activare – Funcție matematică utilizată în neuroni pentru introducerea neliniarității în model.
Ponderi (weights) – Parametri ai rețelei neurale care determină influența conexiunilor dintre neuroni.
Bias – Parametru adițional care permite ajustarea ieșirii neuronilor și creșterea flexibilității modelului.
Supraajustare (overfitting) – Situație în care modelul învață prea bine datele de antrenare și nu generalizează corect pe date noi.
Subajustare (underfitting) – Situație în care modelul nu reușește să învețe relațiile relevante din date.
Inferență – Etapa în care modelul antrenat este utilizat pentru a genera predicții pe date noi.