【论文】机器学习开启了功率放大器的新领域

“

如今,人工智能(AI) 和机器学习 ( ML) 技术在我们的日常生活中无处不在,从智能扬声器到恒温器,从自动驾驶汽车到机器人,从社交网络到银行系统。在无线通信领域,近年来,机器学习已经被应用于各个层面,包括网络规划、频谱感知、信道建模、安全,更不用说运行在我们移动设备上的所有智能应用。同时,有人设想在5G和6G之后,未来的通信系统会将超连接体验带到生活的每个角落[1]。下一代无线通信AI技术的应用和部署具有极大的潜力,可以改善端到端的体验,并降低网络的资本支出和运营成本 [2]。人工智能成为提供可靠和多功能服务的必要工具,将数千亿机器和人类连接起来。

随着无线接入网(RAN)系统需求的不断增长,提高无线硬件性能,特别是射频功率放大器的性能一直是一个长期的挑战。在过去的几十年里,射频工程师花费了大量的努力来提高功率放大器的性能,例如: 功率效率、增益、带宽和线性度。他们想出了许多出色的解决方案。然而,随着先进功率放大器电路、模块和系统的复杂度不断增加,对于包络快速变化的高动态信号、动态网络通信量和波束依赖的无线电环境,例如: 大规模的MIMO,功率放大器的设计、操作和优化变得更加具有挑战性和耗时。然而,这种具有挑战性的用例在现代移动通信中变得非常普遍。

本文重点介绍了机器学习的最新研究,用于使射频功率放大器在线运作的条件最佳化,主要是在5G的sub-6GHz频段。我们报导了两种先进功率放大器结构的示例,采用前沿的0.15mm氮化镓（GaN）高电子迁移率晶体管(HEMT)技术设计,即: 数字多赫蒂功率放大器(DDPA)和一种基于频率周期负载调制(FPLM)新颖的数字辅助超宽频混合模式双输入功率放大器。对于这两个例子,紧凑的数据驱动ML技术已被应用于显著提高功率放大器的性能。结合创新的硬件设计,AI和ML可以作为强大的工具来帮助射频工程师们应对复杂的功率放大器设计和操作挑战。

从数字到智能Doherty 功率放大器

最近,有几个新的机器学习数据驱动的在线优化方法被提出并演示。通过仿真初步研究,采用同步扰动随机逼近 (SPSA)算法,利用ADS和SystemVue软件对双输入Doherty 功率放大器的载频放大器和峰值放大器的输入功率分配比、相位偏移和栅极偏置电压同时进行优化[9]。算法如下图所示:

将数字Doherty功率放大器(DPA)实时优化作为自适应在线控制问题,通过为用户定义的由多个功率放大器的品质因素(功率、增益、效率和线性等的加权和)组成的价值函数来寻找最优解,如图2所示。对不同的超参数和初始条件进行了测试并得到测试结果,例如,可以通过许多密集的局部最小值点，找到最佳的功率附加效率点(PAE)在60%~70%之间。

使用实验室测试台(如图3所示),进行进一步的概念验证和工程演示[10]。

其中一个实现了模拟退火(SA)和极值搜索(ES)的无模型优化方法,如图4所示。详细请参阅[10]。SA和ES算法的结合使得系统优化更加高效。SA捕获系统中主要由频率和输入功率电平变化引起的随机和突然的变化,而ES捕获模型中的缓慢变化,如温度。

需要指出的是,这里采用的ML算法的紧凑性与一般的深度学习ML类,如深度学习网络DNN(deep neural network)有很大的区别,它既不需要大量的训练数据,也不需要强大的计算能力和存储能力。这是高效实现射频前端应用的一个重要特性。图5显示了使用SA和ES方法,通过自适应控制栅极偏压(Vg_main,Vg_peak)和输入功率分配比(α:从总输入功率中分配多少功率到峰化放大器)以及相位不平衡(ΔФ),对DDPA进行在线自动调谐性能,包括输出功率、增益、功率附加效率(PAE)。优化目标是寻找最优控制参数θ* ,使价值函数Q(θ)最大化,其表示为功率放大器性能的加权和: 𝜃∗ = argmaxQ(𝜃), 𝜃∈𝑈,其中𝜃 是放大器调谐参数的矢量,定义为𝜃 = [Vg_main,  Vg_peak, ΔФ, α]。

如图5所示,SA需要大约40次的迭代来执行快速收敛的随机搜索,主要受测试仪器接口通信的限制。SA之后是ES算法进行微调,以考虑诸如温度变化等影响。该程序是用Matlab编写的,在PC上运行,控制测量设置如图3所示。与单输入传统DPA相比,在更宽的频率范围和不同的输入功率范围(特别是较低的输入功率范围),DDPA的性能显著提高,这要归功于自动调谐程序。在不使用数字预失真(DPD)的情况下,有超过约 15%的效率点和2-3dB增益的提升。该算法还能够通过在Q(𝜃)中分配不同的权重,在这些相互冲突的功率放大器性能目标中找出一个合理的折衷方案。必须提及的是,还未使用专用的数字预失真(DPD)方案[10]。

数字辅助的频率周期性负载调制 功率放大器

Doherty 功率放大器在实际应用中,由于器件特性、功率合成器的相位校准等诸多因素的影响,其射频带宽仍然受到限制。我们提出了一种新型的混合模式超宽频频率周期性负载调制(FPLM)功率放大器,通过数字辅助双输入AI模块实现多个连续频段的高功率效率。它提供自动的最佳信号组合,幅度和相位的双输入信号。图6显示了几种类型的负载调制,如虚拟开路短截线Doherty、移相、普通Doherty和反相移相,跨越三倍射频频率范围(0.5f0~1.5f0, f0为设计中心频率)。为了使该放大器在五个不同的频率范围内表现为Doherty和反相模式,输入信号的振幅和相位关系必须非常明显和适当。

我们提出了一种新型的输出组合器,该组合器将器件的电容吸收到部分等效传输中,并且分别为上述五个频率范围提供所期望的不同输出功率的组合函数。设计细节见[11] 。

图7显示了由两个带有0.15-mm HEMTs的裸芯片构建的FPLM GaN功率放大器原型。采用如图4所示的类似人工智能算法,根据用户自定义的价值函数自动调谐两个射频输入信号的幅度和相位。在优化过程中,这两个HEMT的偏置电压处于夹断状态,没有得到调谐。AI模块在没有进行人工交互,没有指定特定的功率放大器工作模式下,可动态自动调谐双通道收发器的参数, 高效率实现所需的功率放大器模式。图8显示了在整个频段上测得的FPLM功率放大器的平均效率(6dB回退)。

这里省略了对每个频率范围的工作模式的详细分析,但可以在[11]找到。数字辅助能够充分利用FPLM 功率放大器的设计潜力,并处理其复杂的控制和优化,从而提供了超过110%的分数带宽的效率性能,如表1所示。

展望

报导中的应用标明,紧凑的数据驱动AI技术可以协助释放新型高性能功率放大器的全部潜力,用于灵活的和宽频带的无线应用。即使在现场部署后,这些器件也可以很容易适应不断变化的操作条件。整合前沿的半导体器件技术(GaN)、电路设计创新和人工智能(数字辅助自动调谐和数字前端(DEF),包括数字预失真[14]),将促进灵活和卓越的射频前端解决方案。值得指出的是,所提出的方法不仅适用于蜂窝发射机,也适用于移动电话和一般的射频应用(如微波工业加热),在这些应用中,射频硬件/放大器是主导系统级性能的关键。其适应性和智能性使人工智能辅助的射频前端模块成为未来无线电的一个极有前途的解决方案。