在基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真（DPD）模型中，使用不同的激活函數(shù)對(duì)整個(gè)系統(tǒng)性能和能效有何影響？

像整流線性單元（ReLU）這類(lèi)計(jì)算高效的激活函數(shù)能夠降低能耗，因此更適合移動(dòng)設(shè)備和物聯(lián)網(wǎng)設(shè)備等資源受限的環(huán)境。相反，諸如 sigmoid 和 tanh 等更復(fù)雜的函數(shù)，盡管在某些場(chǎng)景下能帶來(lái)更優(yōu)的性能，但由于計(jì)算需求更高，可能會(huì)增加能耗。因此，在數(shù)字預(yù)失真（DPD）模型中選擇激活函數(shù)時(shí)，需同時(shí)兼顧性能和能效，以根據(jù)目標(biāo)應(yīng)用優(yōu)化系統(tǒng)。

為了解決下一代無(wú)線通信中功率放大器(PA)的信號(hào)失真和效率低下的難題，本文提出了一種AI驅(qū)動(dòng)的數(shù)字預(yù)失真(DPD)框架?；诙囗?xiàng)式的傳統(tǒng)DPD方法存在計(jì)算復(fù)雜性問(wèn)題，而且對(duì)非線性和記憶效應(yīng)的適應(yīng)能力有限。本文提出的系統(tǒng)利用了先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)動(dòng)態(tài)優(yōu)化預(yù)失真，在效率、適應(yīng)性和實(shí)時(shí)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(kuò)展、高效率的解決方案依然代表了現(xiàn)代通信網(wǎng)絡(luò)射頻發(fā)射器設(shè)計(jì)的一項(xiàng)重大進(jìn)步。

OpenAI于2022年11月推出的ChatGPT，是史上用戶(hù)增長(zhǎng)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(jī)器學(xué)習(xí)(ML)是AI的一個(gè)分支，能夠促進(jìn)計(jì)算機(jī)執(zhí)行決策和數(shù)據(jù)分析等任務(wù)，深刻改變了各行各業(yè)。在通信領(lǐng)域，數(shù)字預(yù)失真(DPD)技術(shù)在AI和ML的推動(dòng)下不斷發(fā)展，這項(xiàng)技術(shù)對(duì)于減少信號(hào)失真和提升功率放大器(PA)的效率至關(guān)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(yīng)。這些傳統(tǒng)模型假定PA的行為是靜態(tài)且無(wú)記憶的，因此僅通過(guò)多項(xiàng)式來(lái)描述輸入輸出之間的瞬時(shí)關(guān)系。然而，AI和ML擅長(zhǎng)學(xué)習(xí)復(fù)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(luò)的DPD框架，利用PA數(shù)據(jù)來(lái)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。

提升PA效率：數(shù)字預(yù)失真技術(shù)融合AI創(chuàng)新

數(shù)字預(yù)失真是一項(xiàng)關(guān)鍵技術(shù)，它使功率放大器能夠在飽和區(qū)附近高效工作，同時(shí)不損害線性度。DPD通過(guò)擴(kuò)展PA的線性工作范圍，讓射頻(RF)設(shè)計(jì)人員能夠充分利用非線性PA的效率優(yōu)勢(shì)，同時(shí)保持發(fā)射信號(hào)的線性度，滿(mǎn)足正交頻分復(fù)用(OFDM)等復(fù)雜調(diào)制方案的需求。

DPD的基本原理是預(yù)失真系數(shù)的引入。預(yù)失真系數(shù)是基于對(duì)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(jìn)行建模而得出的。在此過(guò)程中，精確的反失真被引入輸入波形中，從而有效補(bǔ)償PA的非線性。因此，DPD不僅能改善信號(hào)質(zhì)量，而且讓PA能夠以峰值效率工作。關(guān)于DPD算法及ADI公司的 ADRV9040 RF 收發(fā)器如何為DPD的設(shè)計(jì)和實(shí)現(xiàn)提供精簡(jiǎn)硬件平臺(tái)的詳細(xì)內(nèi)容，請(qǐng)參閱“簡(jiǎn)化5G基站發(fā)射器配置、設(shè)計(jì)和評(píng)估” 一文。圖1展示了利用DPD使PA響應(yīng)線性化的原理。

圖1. 利用DPD使PA響應(yīng)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(shí)會(huì)表現(xiàn)出非線性，從而導(dǎo)致信號(hào)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(yīng)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(luò)(NN)，能夠?qū)A失真進(jìn)行建模并動(dòng)態(tài)優(yōu)化預(yù)失真，從而帶來(lái)顛覆性的改進(jìn)。這種AI驅(qū)動(dòng)的方法提升了系統(tǒng)的效率和適應(yīng)性，優(yōu)于傳統(tǒng)方法，同時(shí)在性能和計(jì)算復(fù)雜性之間取得了平衡。

利用神經(jīng)網(wǎng)絡(luò)模型優(yōu)化DPD引擎：一個(gè)顛覆性框架的提出

人工神經(jīng)網(wǎng)絡(luò)是人工智能的基石，尤其是在深度學(xué)習(xí)領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)初衷是為了克服傳統(tǒng)機(jī)器學(xué)習(xí)算法的局限性。受人類(lèi)大腦處理信息能力的啟發(fā)，神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)模式識(shí)別、學(xué)習(xí)和決策，因此非常適合解決復(fù)雜的非線性問(wèn)題。例如，在5G LTE系統(tǒng)中，利用基于神經(jīng)網(wǎng)絡(luò)的DPD方法可以有效解決I/Q不平衡、相移、DC偏移、串?dāng)_和PA非線性等難題。

基于多項(xiàng)式的DPD方案依賴(lài)于對(duì)系統(tǒng)機(jī)制的深入理解，且難以擴(kuò)展；相比之下，神經(jīng)網(wǎng)絡(luò)模型擅長(zhǎng)以較少的約束條件處理復(fù)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(guò)程中涉及三個(gè)關(guān)鍵步驟：測(cè)試PA特性并收集大量數(shù)據(jù)、訓(xùn)練后失真神經(jīng)網(wǎng)絡(luò)模型、部署模型并進(jìn)行性能監(jiān)控和調(diào)整。此方法通過(guò)機(jī)器學(xué)習(xí)將大型數(shù)據(jù)集轉(zhuǎn)化為可實(shí)踐的操作，從而為應(yīng)對(duì)現(xiàn)代通信挑戰(zhàn)提供穩(wěn)健、可擴(kuò)展的解決方案。

第1步：收集PA特性數(shù)據(jù)

為了設(shè)計(jì)和實(shí)現(xiàn)用于優(yōu)化無(wú)線功率放大器的AI/ML模型，收集全面、高質(zhì)量的特性數(shù)據(jù)至關(guān)重要，這些數(shù)據(jù)應(yīng)當(dāng)準(zhǔn)確反映PA在不同條件下的實(shí)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(cè)量配置。

通過(guò)圖2所示的測(cè)試平臺(tái)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(zhuǎn)換等其他參數(shù)。表1詳細(xì)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(huì)影響其響應(yīng)時(shí)間。此外，采集的數(shù)據(jù)必須先數(shù)字化，然后才能用于訓(xùn)練過(guò)程。

表1. 測(cè)量項(xiàng)目及其描述

這種嚴(yán)格而系統(tǒng)的數(shù)據(jù)收集方法為開(kāi)發(fā)能夠準(zhǔn)確預(yù)測(cè)和優(yōu)化PA性能的AI/ML模型奠定了基礎(chǔ)。借助這種全面的數(shù)據(jù)集，設(shè)計(jì)人員可以實(shí)現(xiàn)可靠、高效的無(wú)線通信系統(tǒng)。

第2步：訓(xùn)練模型

模型訓(xùn)練過(guò)程包括將表1中收集的（部分或全部）信號(hào)輸入到系統(tǒng)中，并通過(guò)損失函數(shù)來(lái)優(yōu)化DPD模型以使誤差最小化。神經(jīng)網(wǎng)絡(luò)架構(gòu)由相互連接的節(jié)點(diǎn)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(xué)習(xí)中的多類(lèi)別預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)架構(gòu)。

表2. 神經(jīng)網(wǎng)絡(luò)核心組成部分和描述

在訓(xùn)練期間，隱藏層使數(shù)據(jù)前向傳播，而權(quán)重和偏置通過(guò)反向傳播和梯度下降算法進(jìn)行優(yōu)化。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可進(jìn)行調(diào)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(guān)于哪些AI硬件、軟件和工具最適合用來(lái)創(chuàng)建高效、可擴(kuò)展的AI模型訓(xùn)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(gè)用于數(shù)據(jù)分析和機(jī)器學(xué)習(xí)的無(wú)代碼平臺(tái)。KNIME具有圖形用戶(hù)界面(GUI)，用戶(hù)只需拖放節(jié)點(diǎn)即可設(shè)計(jì)工作流程，無(wú)需掌握大量編程知識(shí)。所設(shè)計(jì)的工作流程非常直觀且易于理解，因此適合廣大用戶(hù)使用。對(duì)于更傾向于使用Python進(jìn)行開(kāi)發(fā)的人來(lái)說(shuō)，Keras與TensorFlow的結(jié)合能帶來(lái)顯著優(yōu)勢(shì)，將Keras的簡(jiǎn)單易用性與TensorFlow的穩(wěn)健性和可擴(kuò)展性相融合，是實(shí)驗(yàn)級(jí)或生產(chǎn)級(jí)深度學(xué)習(xí)應(yīng)用等各類(lèi)項(xiàng)目的理想選擇。

PA特性分析工作涉及到百萬(wàn)級(jí)樣本的收集，其中70%用于訓(xùn)練，30%用于測(cè)試和驗(yàn)證，以評(píng)估模型模擬PA行為的能力。模型性能通過(guò)準(zhǔn)確率、精度、召回率、F1分?jǐn)?shù)和ROC-AUC等指標(biāo)來(lái)評(píng)估。

第3步：驗(yàn)證和部署神經(jīng)網(wǎng)絡(luò)模型

部署過(guò)程從模型的驗(yàn)證開(kāi)始，以確保模型的穩(wěn)健性和準(zhǔn)確性。驗(yàn)證集用于監(jiān)控訓(xùn)練質(zhì)量并決定何時(shí)停止訓(xùn)練，測(cè)試集則用于獨(dú)立評(píng)估模型的準(zhǔn)確性和泛化能力。解決過(guò)擬合和欠擬合問(wèn)題，對(duì)于確保模型在新數(shù)據(jù)集上的表現(xiàn)至關(guān)重要。為抑制過(guò)擬合、提升模型的泛化能力，可采用以下方法：精簡(jiǎn)模型架構(gòu)，限制神經(jīng)網(wǎng)絡(luò)層數(shù)、隱藏神經(jīng)元數(shù)量或參數(shù)規(guī)模；擴(kuò)充訓(xùn)練數(shù)據(jù)集規(guī)模；或?qū)嵤┎眉簦缣蕹龑?duì)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(fù)雜性，或調(diào)整學(xué)習(xí)率、批量大小、正則化強(qiáng)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(píng)估DPD模型的性能，從而實(shí)現(xiàn)穩(wěn)健且可泛化的模型，同時(shí)保證模型的執(zhí)行速度。圖4顯示了神經(jīng)網(wǎng)絡(luò)DPD模型評(píng)估系統(tǒng)架構(gòu)的總體框圖。

圖4. 神經(jīng)網(wǎng)絡(luò)DPD模型評(píng)估平臺(tái)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(shí)證研究、反復(fù)試錯(cuò)或在訓(xùn)練過(guò)程中采用自適應(yīng)方法。這些調(diào)整有助于確保神經(jīng)網(wǎng)絡(luò)在復(fù)雜性和性能之間取得適當(dāng)平衡，從而實(shí)現(xiàn)高效且有效的模型部署。在部署模型的過(guò)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(luò)加速器芯片，可以簡(jiǎn)化模型的部署。

AI/ML與DPD系統(tǒng)集成：挑戰(zhàn)與機(jī)遇

將人工智能和機(jī)器學(xué)習(xí)融入DPD系統(tǒng)，有望大幅提升系統(tǒng)性能，但也帶來(lái)了一些現(xiàn)實(shí)挑戰(zhàn)。DPD系統(tǒng)需要低延遲和高處理速度，而這對(duì)于計(jì)算密集型ML模型來(lái)說(shuō)很難實(shí)現(xiàn)。此外，為了在溫度波動(dòng)、硬件老化等動(dòng)態(tài)運(yùn)行條件下保持最佳性能，必須采用實(shí)時(shí)學(xué)習(xí)或遷移學(xué)習(xí)等自適應(yīng)技術(shù)。

功耗是另一個(gè)關(guān)鍵考量因素。AI/ML模型（尤其是深度學(xué)習(xí)架構(gòu)）往往比傳統(tǒng)DPD方法更耗電，因此不太適合對(duì)功耗敏感的環(huán)境。未來(lái)的實(shí)驗(yàn)應(yīng)該采用輕量級(jí)神經(jīng)網(wǎng)絡(luò)，即標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的優(yōu)化版本。輕量級(jí)神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)上減少了參數(shù)數(shù)量，降低了算力需求，并提高了內(nèi)存利用效率，對(duì)于計(jì)算資源有限的應(yīng)用特別有用，例如移動(dòng)和物聯(lián)網(wǎng)(IoT)設(shè)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(luò)）缺乏可解釋性，進(jìn)一步加劇了它們與DPD系統(tǒng)集成的復(fù)雜性。神經(jīng)網(wǎng)絡(luò)模型將復(fù)雜的操作簡(jiǎn)化為權(quán)重、偏置和激活函數(shù)，工作過(guò)程并不透明，因此調(diào)試和優(yōu)化是相當(dāng)困難的。

結(jié)語(yǔ)

大規(guī)模MIMO等5G技術(shù)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(yīng)對(duì)新的復(fù)雜性。通過(guò)自適應(yīng)學(xué)習(xí)和混合建模等創(chuàng)新，AI/ML將為實(shí)現(xiàn)可擴(kuò)展、高效節(jié)能的解決方案提供關(guān)鍵支持。神經(jīng)網(wǎng)絡(luò)能夠模擬復(fù)雜的非線性關(guān)系和記憶效應(yīng)，無(wú)需明確的數(shù)學(xué)公式就能近似處理非線性函數(shù)，讓DPD系統(tǒng)設(shè)計(jì)得以簡(jiǎn)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(shí)利用非線性PA降低成本。雖然存在挑戰(zhàn)，但AI/ML驅(qū)動(dòng)的系統(tǒng)在增強(qiáng)DPD系統(tǒng)的精度、適應(yīng)性和可擴(kuò)展性方面潛力巨大。傳統(tǒng)多項(xiàng)式與AI/ML技術(shù)相結(jié)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(jìn)能力。在AI/ML的助力下，通過(guò)創(chuàng)新策略應(yīng)對(duì)種種挑戰(zhàn)，可以推動(dòng)DPD系統(tǒng)取得突破性進(jìn)展，進(jìn)而支持現(xiàn)代通信技術(shù)的持續(xù)進(jìn)步。