為了解決下一代無線通信中功率放大器(PA)的信號失真和效率低下的難題，本文提出了一種AI驅動的數(shù)字預失真(DPD)框架?；诙囗検降膫鹘y(tǒng)DPD方法存在計算復雜性問題，而且對非線性和記憶效應的適應能力有限。本文提出的系統(tǒng)利用了先進的神經(jīng)網(wǎng)絡架構動態(tài)優(yōu)化預失真，在效率、適應性和實時校正等方面均優(yōu)于傳統(tǒng)方法。盡管存在模型可解釋性和能耗等挑戰(zhàn)，基于此框架打造的可擴展、高效率的解決方案依然代表了現(xiàn)代通信網(wǎng)絡射頻發(fā)射器設計的一項重大進步。

OpenAI于2022年11月推出的ChatGPT，是史上用戶增長速度最快的軟件產(chǎn)品之一，充分展現(xiàn)了人工智能(AI)的巨大潛力。機器學習(ML)是AI的一個分支，能夠促進計算機執(zhí)行決策和數(shù)據(jù)分析等任務，深刻改變了各行各業(yè)。在通信領域，數(shù)字預失真(DPD)技術在AI和ML的推動下不斷發(fā)展，這項技術對于減少信號失真和提升功率放大器(PA)的效率至關重要。傳統(tǒng)DPD模型難以處理5G等現(xiàn)代通信系統(tǒng)中存在的非線性特性和記憶效應。這些傳統(tǒng)模型假定PA的行為是靜態(tài)且無記憶的，因此僅通過多項式來描述輸入輸出之間的瞬時關系。然而，AI和ML擅長學習復雜模式，因此能夠給出更精確的解決方案。本文提出了一種基于人工神經(jīng)網(wǎng)絡的DPD框架，利用PA數(shù)據(jù)來降低增益/相位誤差、提升效率并改善頻譜性能，其效果優(yōu)于傳統(tǒng)方法。

數(shù)字預失真是一項關鍵技術，它使功率放大器能夠在飽和區(qū)附近高效工作，同時不損害線性度。DPD通過擴展PA的線性工作范圍，讓射頻(RF)設計人員能夠充分利用非線性PA的效率優(yōu)勢，同時保持發(fā)射信號的線性度，滿足正交頻分復用(OFDM)等復雜調制方案的需求。

DPD的基本原理是預失真系數(shù)的引入。預失真系數(shù)是基于對PA的逆向幅度到幅度(AM-to-AM)和幅度到相位(AM-to-PM)的特性進行建模而得出的。在此過程中，精確的反失真被引入輸入波形中，從而有效補償PA的非線性。因此，DPD不僅能改善信號質量，而且讓PA能夠以峰值效率工作。關于DPD算法及ADI公司的 ADRV9040 RF 收發(fā)器如何為DPD的設計和實現(xiàn)提供精簡硬件平臺的詳細內容，請參閱“簡化5G基站發(fā)射器配置、設計和評估” 一文。圖1展示了利用DPD使PA響應線性化的原理。

圖1. 利用DPD使PA響應線性化的原理：(a)整體線性區(qū)域的典型AM到AM曲線（綠色）；(b)DPD的基本概念以及它如何提升功率放大器的效率。

功率放大器在接近飽和時會表現(xiàn)出非線性，從而導致信號失真、頻譜再生和效率降低，這在具有I/Q不平衡和記憶效應等缺陷的高帶寬系統(tǒng)中尤其顯著。AI和ML，尤其是神經(jīng)網(wǎng)絡(NN)，能夠對PA失真進行建模并動態(tài)優(yōu)化預失真，從而帶來顛覆性的改進。這種AI驅動的方法提升了系統(tǒng)的效率和適應性，優(yōu)于傳統(tǒng)方法，同時在性能和計算復雜性之間取得了平衡。

人工神經(jīng)網(wǎng)絡是人工智能的基石，尤其是在深度學習領域。神經(jīng)網(wǎng)絡的設計初衷是為了克服傳統(tǒng)機器學習算法的局限性。受人類大腦處理信息能力的啟發(fā)，神經(jīng)網(wǎng)絡擅長模式識別、學習和決策，因此非常適合解決復雜的非線性問題。例如，在5G LTE系統(tǒng)中，利用基于神經(jīng)網(wǎng)絡的DPD方法可以有效解決I/Q不平衡、相移、DC偏移、串擾和PA非線性等難題。

基于多項式的DPD方案依賴于對系統(tǒng)機制的深入理解，且難以擴展；相比之下，神經(jīng)網(wǎng)絡模型擅長以較少的約束條件處理復雜的非線性行為。本節(jié)文章提出一種NN DPD框架，以減輕非線性和發(fā)射器缺陷的影響。過程中涉及三個關鍵步驟：測試PA特性并收集大量數(shù)據(jù)、訓練后失真神經(jīng)網(wǎng)絡模型、部署模型并進行性能監(jiān)控和調整。此方法通過機器學習將大型數(shù)據(jù)集轉化為可實踐的操作，從而為應對現(xiàn)代通信挑戰(zhàn)提供穩(wěn)健、可擴展的解決方案。

第1步：收集PA特性數(shù)據(jù)

為了設計和實現(xiàn)用于優(yōu)化無線功率放大器的AI/ML模型，收集全面、高質量的特性數(shù)據(jù)至關重要，這些數(shù)據(jù)應當準確反映PA在不同條件下的實際性能。圖2顯示了一種可用于PA特性數(shù)據(jù)收集的示例配置。

圖2. 用于寬帶PA特性分析的測量配置。

通過圖2所示的測試平臺可以全面分析器件特性，提取S參數(shù)、輸出功率、功率附加效率(PAE)、輸入阻抗、輸入回波損耗、功率增益、AM到PM轉換等其他參數(shù)。表1詳細列出了模型所需的所有輸入數(shù)據(jù)。但需要注意的是，模型的維數(shù)會影響其響應時間。此外，采集的數(shù)據(jù)必須先數(shù)字化，然后才能用于訓練過程。

表1. 測量項目及其描述

這種嚴格而系統(tǒng)的數(shù)據(jù)收集方法為開發(fā)能夠準確預測和優(yōu)化PA性能的AI/ML模型奠定了基礎。借助這種全面的數(shù)據(jù)集，設計人員可以實現(xiàn)可靠、高效的無線通信系統(tǒng)。

第2步：訓練模型

模型訓練過程包括將表1中收集的（部分或全部）信號輸入到系統(tǒng)中，并通過損失函數(shù)來優(yōu)化DPD模型以使誤差最小化。神經(jīng)網(wǎng)絡架構由相互連接的節(jié)點層（例如人工神經(jīng)元）組成，即圖3所示的組成部分。

圖3. 深度學習中的多類別預測神經(jīng)網(wǎng)絡架構。

表2. 神經(jīng)網(wǎng)絡核心組成部分和描述

在訓練期間，隱藏層使數(shù)據(jù)前向傳播，而權重和偏置通過反向傳播和梯度下降算法進行優(yōu)化。神經(jīng)網(wǎng)絡結構可進行調整，以包含更多神經(jīng)元（適用于高度非線性的分量）或更少神經(jīng)元（適用于較平滑的元素）。

關于哪些AI硬件、軟件和工具最適合用來創(chuàng)建高效、可擴展的AI模型訓練環(huán)境，本文不作深入探討，但我們建議AI工程師可以嘗試一下KNIME，這是一個用于數(shù)據(jù)分析和機器學習的無代碼平臺。KNIME具有圖形用戶界面(GUI)，用戶只需拖放節(jié)點即可設計工作流程，無需掌握大量編程知識。所設計的工作流程非常直觀且易于理解，因此適合廣大用戶使用。對于更傾向于使用Python進行開發(fā)的人來說，Keras與TensorFlow?的結合能帶來顯著優(yōu)勢，將Keras的簡單易用性與TensorFlow的穩(wěn)健性和可擴展性相融合，是實驗級或生產(chǎn)級深度學習應用等各類項目的理想選擇。

PA特性分析工作涉及到百萬級樣本的收集，其中70%用于訓練，30%用于測試和驗證，以評估模型模擬PA行為的能力。模型性能通過準確率、精度、召回率、F1分數(shù)和ROC-AUC等指標來評估。

第3步：驗證和部署神經(jīng)網(wǎng)絡模型

部署過程從模型的驗證開始，以確保模型的穩(wěn)健性和準確性。驗證集用于監(jiān)控訓練質量并決定何時停止訓練，測試集則用于獨立評估模型的準確性和泛化能力。解決過擬合和欠擬合問題，對于確保模型在新數(shù)據(jù)集上的表現(xiàn)至關重要。為抑制過擬合、提升模型的泛化能力，可采用以下方法：精簡模型架構，限制神經(jīng)網(wǎng)絡層數(shù)、隱藏神經(jīng)元數(shù)量或參數(shù)規(guī)模；擴充訓練數(shù)據(jù)集規(guī)模；或實施裁剪，例如剔除對模型性能影響微弱的冗余神經(jīng)元。另一方面，為抑制欠擬合，可以增加隱藏神經(jīng)元以提升模型的復雜性，或調整學習率、批量大小、正則化強度等超參數(shù)以改善性能。ML工程師必須平衡上述種種策略，并迭代評估DPD模型的性能，從而實現(xiàn)穩(wěn)健且可泛化的模型，同時保證模型的執(zhí)行速度。圖4顯示了神經(jīng)網(wǎng)絡DPD模型評估系統(tǒng)架構的總體框圖。

圖4. 神經(jīng)網(wǎng)絡DPD模型評估平臺的框圖。

在任何情況下，要確定隱藏神經(jīng)元的最佳數(shù)量，必須依靠實證研究、反復試錯或在訓練過程中采用自適應方法。這些調整有助于確保神經(jīng)網(wǎng)絡在復雜性和性能之間取得適當平衡，從而實現(xiàn)高效且有效的模型部署。在部署模型的過程中，采用邊緣AI嵌入式MCU，例如ADI公司的 MAX78000 卷積神經(jīng)網(wǎng)絡加速器芯片，可以簡化模型的部署。

將人工智能和機器學習融入DPD系統(tǒng)，有望大幅提升系統(tǒng)性能，但也帶來了一些現(xiàn)實挑戰(zhàn)。DPD系統(tǒng)需要低延遲和高處理速度，而這對于計算密集型ML模型來說很難實現(xiàn)。此外，為了在溫度波動、硬件老化等動態(tài)運行條件下保持最佳性能，必須采用實時學習或遷移學習等自適應技術。

功耗是另一個關鍵考量因素。AI/ML模型（尤其是深度學習架構）往往比傳統(tǒng)DPD方法更耗電，因此不太適合對功耗敏感的環(huán)境。未來的實驗應該采用輕量級神經(jīng)網(wǎng)絡，即標準神經(jīng)網(wǎng)絡的優(yōu)化版本。輕量級神經(jīng)網(wǎng)絡在設計上減少了參數(shù)數(shù)量，降低了算力需求，并提高了內存利用效率，對于計算資源有限的應用特別有用，例如移動和物聯(lián)網(wǎng)(IoT)設備或其他資源受限的系統(tǒng)。

許多ML模型（尤其是深度神經(jīng)網(wǎng)絡）缺乏可解釋性，進一步加劇了它們與DPD系統(tǒng)集成的復雜性。神經(jīng)網(wǎng)絡模型將復雜的操作簡化為權重、偏置和激活函數(shù)，工作過程并不透明，因此調試和優(yōu)化是相當困難的。

大規(guī)模MIMO等5G技術要求更低的功耗和更高的精度，DPD系統(tǒng)必須不斷發(fā)展以應對新的復雜性。通過自適應學習和混合建模等創(chuàng)新，AI/ML將為實現(xiàn)可擴展、高效節(jié)能的解決方案提供關鍵支持。神經(jīng)網(wǎng)絡能夠模擬復雜的非線性關系和記憶效應，無需明確的數(shù)學公式就能近似處理非線性函數(shù)，讓DPD系統(tǒng)設計得以簡化。

集成AI/ML有助于提升能效比，使PA能夠在更接近飽和的狀態(tài)下工作，同時利用非線性PA降低成本。雖然存在挑戰(zhàn)，但AI/ML驅動的系統(tǒng)在增強DPD系統(tǒng)的精度、適應性和可擴展性方面潛力巨大。傳統(tǒng)多項式與AI/ML技術相結合的混合方法能夠提供一種均衡的解決方案，既保留了經(jīng)典模型的可解釋性，又融合了AI/ML的先進能力。在AI/ML的助力下，通過創(chuàng)新策略應對種種挑戰(zhàn)，可以推動DPD系統(tǒng)取得突破性進展，進而支持現(xiàn)代通信技術的持續(xù)進步。