雖然5G已深刻改變世界，并兌現(xiàn)了高速率、低延遲、高密度連接的承諾，但也伴隨著一項(xiàng)隱性代價(jià)：不容忽視的能耗成本。據(jù)愛立信預(yù)測，到本十年末，5G用戶數(shù)量將達(dá)到67億。然而，盡管5G的數(shù)據(jù)傳輸效率遠(yuǎn)超4G網(wǎng)絡(luò)，但由于承載的數(shù)據(jù)量更大，5G的能耗將比傳統(tǒng)網(wǎng)絡(luò)高出4至5倍。

這一挑戰(zhàn)的核心在于無線接入網(wǎng)(RAN)的功耗。RAN網(wǎng)絡(luò)消耗了絕大部分電力，尤其是在功率放大器(PA)環(huán)節(jié)。為了在能效比與信號(hào)失真、更寬工作帶寬及更快速信號(hào)變化之間尋求平衡，RAN開發(fā)者如今對(duì)靈活性、智能化和實(shí)時(shí)優(yōu)化提出了更高要求。簡而言之，RAN設(shè)備需要具備更強(qiáng)的適應(yīng)性。

面對(duì)5G系統(tǒng)在適應(yīng)性與能效方面的新壓力，技術(shù)人員已將目光投向快速發(fā)展的人工智能(AI)，探索AI有望帶來的新能力。除了備受關(guān)注的大語言模型，AI在真實(shí)的本地決策領(lǐng)域也正涌現(xiàn)新機(jī)遇，能夠借助AI的分析優(yōu)勢，實(shí)時(shí)應(yīng)對(duì)各類復(fù)雜應(yīng)用場景。無線通信領(lǐng)域的技術(shù)人員已著手研究如何運(yùn)用AI的能力來優(yōu)化RAN功耗，并從中看到了機(jī)遇。

對(duì)于移動(dòng)運(yùn)營商而言，推動(dòng)AI融合的舉措可謂恰逢其時(shí)。事實(shí)上，麥肯錫的研究發(fā)現(xiàn)，能耗對(duì)運(yùn)營商凈利潤的影響比銷售額增長高出50%。與此同時(shí)，Verizon、T-Mobile、Bharti Airtel等眾多通信運(yùn)營商均已承諾在2050年前實(shí)現(xiàn)凈零排放目標(biāo)。

在5G時(shí)代，網(wǎng)絡(luò)能效問題愈發(fā)嚴(yán)峻。盡管4G網(wǎng)絡(luò)的能耗成本已占網(wǎng)絡(luò)總擁有成本的20%至25%，但向5G的過渡大大加劇了這一壓力。在某些場景下，高性能5G部署（尤其是疊加在傳統(tǒng)2G、3G和4G基礎(chǔ)設(shè)施之上時(shí)）可能導(dǎo)致能源需求增幅高達(dá)140%。

引發(fā)5G時(shí)代功耗上升的三大因素

大規(guī)模MIMO相較于當(dāng)前的2×2或4×4 MIMO配置，5G大規(guī)模MIMO (M-MIMO)基站“信號(hào)塔”規(guī)模更大、性能更強(qiáng)，最大支持64×64配置（規(guī)模較傳統(tǒng)方案高16倍），能耗也顯著增加。例如，一座5G基站的耗電量是4G基站的3倍。

基站數(shù)量增多進(jìn)入5G時(shí)代，城市區(qū)域需通過新增宏基站與小型基站實(shí)現(xiàn)網(wǎng)絡(luò)密集化，這將進(jìn)一步推高總能耗。

移動(dòng)數(shù)據(jù)流量增長結(jié)合“比特驅(qū)動(dòng)瓦特”的理念，不難發(fā)現(xiàn)：即便5G在單位比特能效比上表現(xiàn)更出色，但受移動(dòng)數(shù)據(jù)流量高達(dá)50%的增長幅度影響，整體網(wǎng)絡(luò)的功耗仍會(huì)隨之攀升。

運(yùn)營商能源使用情況資料來源：全球移動(dòng)通信系統(tǒng)協(xié)會(huì)(GSMA)

5G的能源挑戰(zhàn)

5G能耗問題的核心在于一種微妙的權(quán)衡：功率放大器(PA)在接近滿負(fù)荷運(yùn)行時(shí)能效最高，但這種運(yùn)行模式會(huì)導(dǎo)致信號(hào)失真，進(jìn)而引發(fā)合規(guī)問題并降低性能。為規(guī)避此類風(fēng)險(xiǎn)，大多數(shù)PA會(huì)采用回退模式，以犧牲能效為代價(jià)來維持信號(hào)保真度。

“記憶效應(yīng)”進(jìn)一步加劇了PA的非線性問題。PA包含一些響應(yīng)速度較慢的元件，它們會(huì)“記住”先前的輸入信號(hào)，導(dǎo)致PA的非線性程度取決于流經(jīng)自身的過往信號(hào)。

數(shù)字預(yù)失真(DPD)技術(shù)可解決此類問題。DPD的工作機(jī)制是：預(yù)先對(duì)信號(hào)進(jìn)行失真處理，且失真方向與PA通常產(chǎn)生的失真方向相反。這類似于裁縫縫制衣物時(shí)會(huì)預(yù)留額外尺寸，因?yàn)橹酪挛锵礈旌髸?huì)縮水；DPD則會(huì)預(yù)先調(diào)整信號(hào)，使得信號(hào)流經(jīng)PA時(shí)，兩種失真能夠相互抵消，從而保證傳輸?shù)男盘?hào)清晰且準(zhǔn)確。

未來的演進(jìn)方向十分明確：借助AI實(shí)現(xiàn)更智能的DPD。當(dāng)前的DPD解決方案依賴于一種基于數(shù)學(xué)模型的方法，即基于沃爾泰拉的線性化，用于對(duì)PA的特性進(jìn)行建模。在5G傳輸場景中，這類模型的復(fù)雜度會(huì)呈指數(shù)級(jí)增長，進(jìn)而需要更多的計(jì)算資源和存儲(chǔ)資源，導(dǎo)致芯片面積和能耗大幅增加，最終削弱DPD帶來的能效收益和應(yīng)用價(jià)值。

新范式：基于機(jī)器學(xué)習(xí)的數(shù)字預(yù)失真

如今，新興技術(shù)開始借助機(jī)器學(xué)習(xí)(ML)取代傳統(tǒng)DPD中固定的數(shù)學(xué)模型。工程師無需手動(dòng)調(diào)整信號(hào)校正算法，而是可以利用經(jīng)真實(shí)波形數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，對(duì)PA的非線性特性進(jìn)行動(dòng)態(tài)建模與實(shí)時(shí)校正。這些模型可通過反向傳播算法優(yōu)化，并直接映射到現(xiàn)有硬件結(jié)構(gòu)中。

基于機(jī)器學(xué)習(xí)的數(shù)字預(yù)失真(ML-DPD)應(yīng)運(yùn)而生。ML-DPD的優(yōu)勢具有深刻影響：優(yōu)化時(shí)間可從數(shù)天縮短至數(shù)小時(shí)；在各類信號(hào)條件下，模型性能均有所提升；節(jié)能不再停留在理論層面，而是具備了實(shí)際意義。最重要的是，這類解決方案具備自適應(yīng)能力，能夠從實(shí)時(shí)工況中學(xué)習(xí)，并隨硬件與環(huán)境的變化而動(dòng)態(tài)調(diào)整。

中期數(shù)字預(yù)失真(MT-DPD)

盡管當(dāng)前的DPD技術(shù)已具備一定效果，但不斷發(fā)展的蜂窩通信需求正不斷挑戰(zhàn)DPD的性能邊界。為實(shí)現(xiàn)更大數(shù)據(jù)量、更快速度的傳輸，功率放大器(PA)必須在更寬的帶寬范圍內(nèi)工作，而這會(huì)導(dǎo)致信號(hào)快速變化。這種快速變化可能引發(fā)電氣不穩(wěn)定和信號(hào)失真，存在超出美國聯(lián)邦通信委員會(huì)(FCC)發(fā)射限值的風(fēng)險(xiǎn)。

為解決這一問題，研究人員開發(fā)了一種基于神經(jīng)網(wǎng)絡(luò)的新模型，能更好地理解并應(yīng)對(duì)信號(hào)的動(dòng)態(tài)變化。通過將這種模型與在系統(tǒng)采樣率下運(yùn)行的基于沃爾泰拉的DPD模型相結(jié)合，中期數(shù)字預(yù)失真(MT-DPD)技術(shù)得以誕生。這種技術(shù)專門針對(duì)持續(xù)時(shí)間在100納秒至10微秒之間的信號(hào)記憶效應(yīng)所導(dǎo)致的失真。早期測試表明，這種技術(shù)能顯著降低失真程度。展望未來，研究重點(diǎn)可能會(huì)轉(zhuǎn)向解決電荷俘獲問題，這是氮化鎵(GaN)器件面臨的另一大性能障礙。

長期解決方案

如今，PA面臨的挑戰(zhàn)不僅限于靜態(tài)失真。5G中的動(dòng)態(tài)流量加劇了長期記憶效應(yīng)，尤其是基于GaN的高效率PA中因電荷俘獲導(dǎo)致的問題。AI驅(qū)動(dòng)的方法同樣能夠?qū)@些特性進(jìn)行建模，將DPD的能力擴(kuò)展到新領(lǐng)域。

分層神經(jīng)網(wǎng)絡(luò)如今能夠同時(shí)校正和適應(yīng)由即時(shí)非線性、快速變化的瞬態(tài)和緩慢漂移效應(yīng)導(dǎo)致的失真。由此打造出一套統(tǒng)一的系統(tǒng)，能夠在實(shí)際場景中提供高信號(hào)保真度，同時(shí)保持高水平的PA效率。

ML-DPD：移動(dòng)運(yùn)營商的高能效未來

ML-DPD解決了行業(yè)的一項(xiàng)實(shí)際需求：提升基站能效。這對(duì)移動(dòng)運(yùn)營商而言至關(guān)重要，他們?cè)?G基礎(chǔ)設(shè)施上投入巨大，必須通過降低成本來提升競爭力。在保持合規(guī)的同時(shí)以最優(yōu)容量傳輸信號(hào)，是一項(xiàng)重要優(yōu)勢，讓我們得以享受高速的移動(dòng)互聯(lián)網(wǎng)體驗(yàn)。

信號(hào)優(yōu)化已不再僅僅是工程層面的考量，更成為業(yè)務(wù)層面的一項(xiàng)必然要求。ML-DPD為控制5G能耗提供了一條可行路徑。

雖然5G已深刻改變世界，并兌現(xiàn)了高速率、低延遲、高密度連接的承諾，但也伴隨著一項(xiàng)隱性代價(jià)：不容忽視的能耗成本。據(jù)愛立信預(yù)測，到本十年末，5G用戶數(shù)量將達(dá)到67億。然而，盡管5G的數(shù)據(jù)傳輸效率遠(yuǎn)超4G網(wǎng)絡(luò)，但由于承載的數(shù)據(jù)量更大，5G的能耗將比傳統(tǒng)網(wǎng)絡(luò)高出4至5倍。

這一挑戰(zhàn)的核心在于無線接入網(wǎng)(RAN)的功耗。RAN網(wǎng)絡(luò)消耗了絕大部分電力，尤其是在功率放大器(PA)環(huán)節(jié)。為了在能效比與信號(hào)失真、更寬工作帶寬及更快速信號(hào)變化之間尋求平衡，RAN開發(fā)者如今對(duì)靈活性、智能化和實(shí)時(shí)優(yōu)化提出了更高要求。簡而言之，RAN設(shè)備需要具備更強(qiáng)的適應(yīng)性。

面對(duì)5G系統(tǒng)在適應(yīng)性與能效方面的新壓力，技術(shù)人員已將目光投向快速發(fā)展的人工智能(AI)，探索AI有望帶來的新能力。除了備受關(guān)注的大語言模型，AI在真實(shí)的本地決策領(lǐng)域也正涌現(xiàn)新機(jī)遇，能夠借助AI的分析優(yōu)勢，實(shí)時(shí)應(yīng)對(duì)各類復(fù)雜應(yīng)用場景。無線通信領(lǐng)域的技術(shù)人員已著手研究如何運(yùn)用AI的能力來優(yōu)化RAN功耗，并從中看到了機(jī)遇。

對(duì)于移動(dòng)運(yùn)營商而言，推動(dòng)AI融合的舉措可謂恰逢其時(shí)。事實(shí)上，麥肯錫的研究發(fā)現(xiàn)，能耗對(duì)運(yùn)營商凈利潤的影響比銷售額增長高出50%。與此同時(shí)，Verizon、T-Mobile、Bharti Airtel等眾多通信運(yùn)營商均已承諾在2050年前實(shí)現(xiàn)凈零排放目標(biāo)。

在5G時(shí)代，網(wǎng)絡(luò)能效問題愈發(fā)嚴(yán)峻。盡管4G網(wǎng)絡(luò)的能耗成本已占網(wǎng)絡(luò)總擁有成本的20%至25%，但向5G的過渡大大加劇了這一壓力。在某些場景下，高性能5G部署（尤其是疊加在傳統(tǒng)2G、3G和4G基礎(chǔ)設(shè)施之上時(shí)）可能導(dǎo)致能源需求增幅高達(dá)140%。

引發(fā)5G時(shí)代功耗上升的三大因素

大規(guī)模MIMO相較于當(dāng)前的2×2或4×4 MIMO配置，5G大規(guī)模MIMO (M-MIMO)基站“信號(hào)塔”規(guī)模更大、性能更強(qiáng)，最大支持64×64配置（規(guī)模較傳統(tǒng)方案高16倍），能耗也顯著增加。例如，一座5G基站的耗電量是4G基站的3倍。

基站數(shù)量增多進(jìn)入5G時(shí)代，城市區(qū)域需通過新增宏基站與小型基站實(shí)現(xiàn)網(wǎng)絡(luò)密集化，這將進(jìn)一步推高總能耗。

移動(dòng)數(shù)據(jù)流量增長結(jié)合“比特驅(qū)動(dòng)瓦特”的理念，不難發(fā)現(xiàn)：即便5G在單位比特能效比上表現(xiàn)更出色，但受移動(dòng)數(shù)據(jù)流量高達(dá)50%的增長幅度影響，整體網(wǎng)絡(luò)的功耗仍會(huì)隨之攀升。

運(yùn)營商能源使用情況資料來源：全球移動(dòng)通信系統(tǒng)協(xié)會(huì)(GSMA)

5G的能源挑戰(zhàn)

5G能耗問題的核心在于一種微妙的權(quán)衡：功率放大器(PA)在接近滿負(fù)荷運(yùn)行時(shí)能效最高，但這種運(yùn)行模式會(huì)導(dǎo)致信號(hào)失真，進(jìn)而引發(fā)合規(guī)問題并降低性能。為規(guī)避此類風(fēng)險(xiǎn)，大多數(shù)PA會(huì)采用回退模式，以犧牲能效為代價(jià)來維持信號(hào)保真度。

“記憶效應(yīng)”進(jìn)一步加劇了PA的非線性問題。PA包含一些響應(yīng)速度較慢的元件，它們會(huì)“記住”先前的輸入信號(hào)，導(dǎo)致PA的非線性程度取決于流經(jīng)自身的過往信號(hào)。

數(shù)字預(yù)失真(DPD)技術(shù)可解決此類問題。DPD的工作機(jī)制是：預(yù)先對(duì)信號(hào)進(jìn)行失真處理，且失真方向與PA通常產(chǎn)生的失真方向相反。這類似于裁縫縫制衣物時(shí)會(huì)預(yù)留額外尺寸，因?yàn)橹酪挛锵礈旌髸?huì)縮水；DPD則會(huì)預(yù)先調(diào)整信號(hào)，使得信號(hào)流經(jīng)PA時(shí)，兩種失真能夠相互抵消，從而保證傳輸?shù)男盘?hào)清晰且準(zhǔn)確。

未來的演進(jìn)方向十分明確：借助AI實(shí)現(xiàn)更智能的DPD。當(dāng)前的DPD解決方案依賴于一種基于數(shù)學(xué)模型的方法，即基于沃爾泰拉的線性化，用于對(duì)PA的特性進(jìn)行建模。在5G傳輸場景中，這類模型的復(fù)雜度會(huì)呈指數(shù)級(jí)增長，進(jìn)而需要更多的計(jì)算資源和存儲(chǔ)資源，導(dǎo)致芯片面積和能耗大幅增加，最終削弱DPD帶來的能效收益和應(yīng)用價(jià)值。

新范式：基于機(jī)器學(xué)習(xí)的數(shù)字預(yù)失真

如今，新興技術(shù)開始借助機(jī)器學(xué)習(xí)(ML)取代傳統(tǒng)DPD中固定的數(shù)學(xué)模型。工程師無需手動(dòng)調(diào)整信號(hào)校正算法，而是可以利用經(jīng)真實(shí)波形數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，對(duì)PA的非線性特性進(jìn)行動(dòng)態(tài)建模與實(shí)時(shí)校正。這些模型可通過反向傳播算法優(yōu)化，并直接映射到現(xiàn)有硬件結(jié)構(gòu)中。

基于機(jī)器學(xué)習(xí)的數(shù)字預(yù)失真(ML-DPD)應(yīng)運(yùn)而生。ML-DPD的優(yōu)勢具有深刻影響：優(yōu)化時(shí)間可從數(shù)天縮短至數(shù)小時(shí)；在各類信號(hào)條件下，模型性能均有所提升；節(jié)能不再停留在理論層面，而是具備了實(shí)際意義。最重要的是，這類解決方案具備自適應(yīng)能力，能夠從實(shí)時(shí)工況中學(xué)習(xí)，并隨硬件與環(huán)境的變化而動(dòng)態(tài)調(diào)整。

中期數(shù)字預(yù)失真(MT-DPD)

盡管當(dāng)前的DPD技術(shù)已具備一定效果，但不斷發(fā)展的蜂窩通信需求正不斷挑戰(zhàn)DPD的性能邊界。為實(shí)現(xiàn)更大數(shù)據(jù)量、更快速度的傳輸，功率放大器(PA)必須在更寬的帶寬范圍內(nèi)工作，而這會(huì)導(dǎo)致信號(hào)快速變化。這種快速變化可能引發(fā)電氣不穩(wěn)定和信號(hào)失真，存在超出美國聯(lián)邦通信委員會(huì)(FCC)發(fā)射限值的風(fēng)險(xiǎn)。

為解決這一問題，研究人員開發(fā)了一種基于神經(jīng)網(wǎng)絡(luò)的新模型，能更好地理解并應(yīng)對(duì)信號(hào)的動(dòng)態(tài)變化。通過將這種模型與在系統(tǒng)采樣率下運(yùn)行的基于沃爾泰拉的DPD模型相結(jié)合，中期數(shù)字預(yù)失真(MT-DPD)技術(shù)得以誕生。這種技術(shù)專門針對(duì)持續(xù)時(shí)間在100納秒至10微秒之間的信號(hào)記憶效應(yīng)所導(dǎo)致的失真。早期測試表明，這種技術(shù)能顯著降低失真程度。展望未來，研究重點(diǎn)可能會(huì)轉(zhuǎn)向解決電荷俘獲問題，這是氮化鎵(GaN)器件面臨的另一大性能障礙。

長期解決方案

如今，PA面臨的挑戰(zhàn)不僅限于靜態(tài)失真。5G中的動(dòng)態(tài)流量加劇了長期記憶效應(yīng)，尤其是基于GaN的高效率PA中因電荷俘獲導(dǎo)致的問題。AI驅(qū)動(dòng)的方法同樣能夠?qū)@些特性進(jìn)行建模，將DPD的能力擴(kuò)展到新領(lǐng)域。

分層神經(jīng)網(wǎng)絡(luò)如今能夠同時(shí)校正和適應(yīng)由即時(shí)非線性、快速變化的瞬態(tài)和緩慢漂移效應(yīng)導(dǎo)致的失真。由此打造出一套統(tǒng)一的系統(tǒng)，能夠在實(shí)際場景中提供高信號(hào)保真度，同時(shí)保持高水平的PA效率。

ML-DPD：移動(dòng)運(yùn)營商的高能效未來

ML-DPD解決了行業(yè)的一項(xiàng)實(shí)際需求：提升基站能效。這對(duì)移動(dòng)運(yùn)營商而言至關(guān)重要，他們?cè)?G基礎(chǔ)設(shè)施上投入巨大，必須通過降低成本來提升競爭力。在保持合規(guī)的同時(shí)以最優(yōu)容量傳輸信號(hào)，是一項(xiàng)重要優(yōu)勢，讓我們得以享受高速的移動(dòng)互聯(lián)網(wǎng)體驗(yàn)。

信號(hào)優(yōu)化已不再僅僅是工程層面的考量，更成為業(yè)務(wù)層面的一項(xiàng)必然要求。ML-DPD為控制5G能耗提供了一條可行路徑。