A New Frontier for Power Amplifiers Enabled by Machine Learning

Rui Ma和Mouhacine Benosman，三菱电机研究实验室，美国马萨诸塞州剑桥；

Yuji Komatsuzaki、Koji Yamanaka和Shintaro Shinjo，三菱电机公司，日本镰仓

（本页是纯文字版，点此阅读完整版全文）

人工智能（AI）和机器学习（ML）技术在我们的日常生活中无孔不入，为从智能音箱到恒温器、从自动驾驶汽车到机器人、从社交网络到银行系统的各种设备赋能。在无线通信领域，ML最近被应用于所有层面，包括网络规划、频谱传感、信道建模、安全，甚至在我们的移动设备上运行的智能应用。同时，一些人正在设想未来的通信系统，在5G和6G之后，将超级连接的体验带到生活的每个角落。¹ 人工智能技术在下一代无线通信中的应用和部署具有改善端到端体验和降低网络资本支出和运营支出的深远潜力。² 人工智能成为提供可靠和多功能服务的必要工具，以连接数千亿的机器和人类。

随着系统需求的不断增加，提高无线接入网络的硬件性能，特别是射频功率放大器（PA），一直是一个长期的挑战。在过去的几十年里，射频工程师们花了很多精力来提高功率放大器的性能，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，随着先进的功率放大器电路、模块和系统的复杂性不断增加，为具有快速变化包络的高动态信号、动态网络流量和波束依赖的无线电环境（如大规模MIMO）设计、操作和优化功率放大器变得更具挑战性和耗时。然而，这种具有挑战性的用例在现代移动通信中正变得非常普遍。

本文重点介绍了最近引入ML进行射频功率放大器在线操作条件优化的研究，主要是在5G的6GHz以下频率。采用最先进的0.15微米GaN高电子迁移率晶体管（HEMT）技术设计了两个先进的功率放大器架构演示器，即：数字多赫蒂功率放大器（DDPA）和基于频率-周期性负载调制（FPLM）的创新数字辅助超宽带混合模式双输入功率放大器。对于这两个例子，紧凑的数据驱动的ML技术被应用于显著提高PA的性能。与创新的硬件设计相结合，人工智能和ML可以成为一个强大的工具，帮助射频工程师处理复杂的PA设计和操作挑战。

数字化到智能化的多赫蒂PA

由于其相对简单的拓扑结构和具有吸引力的平均功率效率，在放大具有高峰均功率比（PAPR>6dB）的信号时，多赫蒂PA一直是蜂窝基站无线电发射器的主力军。^3。由于其有源负载拉移原理和模拟性质，多赫蒂功率放大器仍然受到几个关键的限制，如非最佳的功率分配比、相位对齐和放大器峰值开启，特别是在宽射频频段和输入功率水平上。

图1 一个宽带的多赫蒂功率放大器⁸和它的修改版，用于双输入多赫蒂功率放大器。

为了克服这些困难，人们提出了各种改进的设计方法和结构，包括高级多赫蒂匹配(Alignment)模块和DDPA，取消了传统的基于模拟的功率分配电路（即威尔金森分配器）。相反，这些设计是将双输入射频信号分别直接馈送到多赫蒂PA的载波和峰值放大器。^4,5 因此，该电路可以独立控制输入信号的幅度和相位，效果更好。图1提供了一个多赫蒂PA和其作为双输入DDPA的修改版本的比较。图中强调了输入网络的变化。

多输入多赫蒂PA可以通过遵循一组推导出的封闭式方程进行数字控制，该方程近似预先确定的静态功率分配比以及载波和峰值放大器之间的相位不平衡。另外，也可以通过离线蛮力搜索，找到一个最佳的输入信号条件来实现高效率或高输出功率。^5-7 然而，这两种方法在实践中有几个限制：1、导出的数学方程只提供了PA内高度非线性关系的近似值（即使用arctan函数）；2、偏置电压优化不包括在内，但很关键；3、开环实施没有捕捉到设备与设备之间的变化或工作条件的变化（即环境温度）。因此，仍然需要手动调整，以考虑到实际系统的动态和条件变化。由于变量的搜索空间很大，蛮力搜索对于实际实施来说是低效的。

最近，有一些新的ML数据驱动的在线优化方法被提出和展示。在一项通过模拟显示的初步研究中，⁹ 采用了同步扰动随机近似（SPSA）算法，使用ADS和SystemVue软件同时优化双输入多赫蒂PA的载波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。该算法如下：

图2 双输入多赫蒂PA的在线优化。

它将DDPA的实时优化看作为一个搜索用户定义的代价函数(cost function)的最佳解的自适应在线控制问题，该代价函数由几个PA的性能参数（功率、增益、效率和线性度等）的加权总和组成。如图2，测试了不同的超参数（hyper-parameters）和优化的初始条件。结果发现功率增加效率的最佳点在60%到70%之间，并有许多紧密间隔的局部最小点。图3所示是实验室测试台的进一步发展，用于概念验证和工程演示。¹⁰

图3 带有机器学习在线优化的双输入数字多赫蒂PA的测试板。

图4显示了一个设置实现了模拟退火（SA）和寻求极值（ES）的无模型优化方法¹⁰，SA和ES的结合使系统优化变得高效。SA捕捉系统中主要由频率和输入功率水平变化引起的随机和突然的变化，而ES捕捉模型中的缓慢变化，如温度。

图4 用于DDPA优化的无模型机器学习算法。¹⁰

图5 控制参数在线自动调整的DDPA性能。Pout和定义的代价函数（a），主放大器和峰值放大器的栅极偏置电压（b），PAE和增益（c）以及输入相位不平衡和功率分配比例（d）。

这里采用的ML算法的紧凑性与一般的深度学习ML类，如深度神经网络，有相当大的区别，即它既不需要大量的训练数据，也不需要强大的计算能力和内存。这是高效实现射频前端应用的一个重要特征。图5显示了DDPA通过自适应控制栅极偏置电压（Vg_main, Vg_peak）和输入功率分配比（α：从总输入中分配给峰值放大器的功率多少）以及使用SA和ES的相位不平衡（ΔΦ）对性能进行在线自动调整，包括输出功率、增益、功率增加效率。优化的目标是寻找最佳控制参数θ*，使代价函数Q(θ)得到最优解，该函数表示为感兴趣的PA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, ΔΦ, α]。

如图5所示，SA需要大约40次迭代才能进行快速收敛的随机探索，主要受限于测试仪器的接口通信。然后SA由ES算法进行微调，以考虑温度变化等影响。该程序是用MATLAB编写的，并在控制图3中描述的测量装置的PC上运行。由于采用了自动调谐程序，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），观察到DDPA的性能有了明显的提高，与单输入的传统多赫蒂PA相比。在不使用数字预失真（DPD）的情况下，实现了超过15%的效率提升和2-3dB的增益。该算法还能够通过在Q(θ)中分配不同的权重，在这些冲突的功率放大器性能目标之间找出合理的权衡。必须提及的是，没有使用专门的DPD方案。¹⁰

数字辅助的频率周期性负载调制PA

由于许多因素，如器件特性、功率组合器和相位对准的挑战，实践中的多赫蒂PA在射频带宽方面是有限的。我们提出了一种创新的混合模式超宽带FPLM功率放大器，通过数字辅助的双输入AI模块，在多个连续的频段上实现高功率效率。它提供自动的最佳信号组合、双输入信号的幅度和相位。图6显示了几种类型的负载调制，如虚拟开放抽头多赫蒂、异相、一般多赫蒂和反相异相，横跨3倍射频频率范围（0.5f₀ - 1.5f₀，f₀表示设计中心频率）。在五个不同的频率范围内，非常不同和适当的输入信号的振幅和相位关系对于这个放大器表现为多赫蒂和异相模式是必要的。

图6 频率周期性负载调制（FPLM）功率放大器的概念，频率控制双输入信号，f₀是中心频率。

还提出了一个新的输出组合器，通过吸收设备电容到部分等效传输中，并为上述五个频率范围分别提供不同的所需输出功率组合函数。设计细节可参见Y. Komatsuzaki等人的文章。^11。

图7显示了由两个带有0.15μm HEMT的裸芯片组成的FPLM GaN PA原型。图4所示的类似人工智能算法已被采用，根据用户定义的代价函数自动调整两个射频输入信号的幅度和相位。这两个HEMT的偏置电压处于关闭状态，在优化过程中没有进行调整。在没有人工互动和指定具体的功率放大器操作模式的情况下，人工智能模块能够在运行中自动调整双通道收发器的参数，并以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）。

图7 AI数字辅助操作下的双输入FPLM GaN PA原型。

图8 双输入FPLM功率放大器原型的测量。

这里省略了对每个频率范围内工作模式的详细分析，但可以在Komatsuzaki等人的文章¹¹中找到。数字辅助能够充分利用FPLM PA的设计潜力，并处理其复杂的控制和优化，从而在110%的分数带宽上提供最先进的效率性能，如表1所做的比较。

小结

报道的应用表明，紧凑的数据驱动的人工智能技术可以协助释放新的高性能功率放大器的全部潜力，用于灵活和宽带无线应用。即使在现场部署后，这些器件也能适应不断变化的工作条件。整合尖端的GaN半导体器件技术、电路设计创新和人工智能（数字辅助自动调谐与数字前端包括数字预失真¹⁴）将促进敏捷和性能优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基站发射器，也适用于手机和一般射频应用（如微波工业加热），其中射频硬件/放大器是主导系统级性能的关键设备。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非常有前途的解决方案。

参考文献