由OpenAI推出的ChatGPT，成為采用速度最快的軟件產品之一，展示了人工智能（AI）的潛力。機器學習（ML）是人工智能的一個子集，正在通過推動決策和數據分析等任務，正在改變行業。在通信領域，人工智能和機器學習正在推動數字預失真（DPD）技術的發展，這是一種減少信號失真和提升功率放大器（PA）效率的關鍵技術。

傳統 DPD 模型在 5G 等現代通信系統中難以應對非線性特性和記憶效應。這類模型假設 PA 的工作特性是靜態且無記憶的，依賴僅能描述瞬時輸入輸出關系的多項式模型，無法適配復雜場景需求。

而 AI 和 ML 擅長學習復雜模式，能夠提供更精準的解決方案。本文介紹一種基于人工神經網絡的 DPD 框架，該框架利用 PA 運行數據減少增益 / 相位誤差、提升能效并優化頻譜性能，性能表現超越傳統方法。

提升 PA 能效：數字預失真與 AI 創新的融合

數字預失真是一種關鍵技術，使功率放大器在飽和區附近高效工作而不影響線性。通過擴展PA的線性工作范圍，DPD使射頻（RF）設計師能夠利用非線性PA的效率，同時保持復雜調制方案（如正交頻分復用（OFDM）所需的發射信號線性性。

DPD的核心工作原理是引入預失真系數，這些系數是通過模擬PA的反振幅對振幅（AM-to-AM）和振幅-相位（AM-to-PM）特性得出的。該過程通過在輸入波形中引入精確的抗失真，有效補償了PA的非線性特性。因此，DPD在提升信號質量的同時，使PA能夠達到峰值效率。

1. DPD 線性化 PA 響應的通用概念：(a) 典型 AM-to-AM 曲線，綠色區域為線性工作區；(b) DPD 提升 PA 能效的基本原理。

功率放大器在接近飽和時表現出非線性，導致信號失真、頻譜重新增長和效率下降，尤其是在高帶寬系統中，如I/Q不平衡和記憶效應等問題。人工智能和機器學習，尤其是神經網絡（NNs），通過建模PA失真并動態優化預失真，提供了變革性的解決方案。這種由人工智能驅動的方法提升了效率和適應性，超越傳統方法，同時在性能與計算復雜性之間取得平衡。

利用神經網絡模型優化 DPD 引擎：一種突破性框架

人工神經網絡是人工智能的基石，尤其是在深度學習領域，旨在克服傳統機器學習算法的局限性。受人腦信息處理能力的啟發，神經網絡擅長識別模式、學習和決策，非常適合解決復雜且非線性的問題。例如，在5G LTE系統中，輸入/質量不平衡、相位偏移、直流偏移、串擾和PA非線性等問題，可以通過基于NN的DPD方法有效解決。

與基于多項式的DPD解決方案不同，后者需要廣泛了解系統力學知識且難以擴展，神經網絡模型在處理復雜非線性行為且約束更少方面表現出色。本節介紹了一個擬議的神經網絡DPD框架，以減輕非線性和發射器損傷。

該過程包括三個關鍵步驟：表征PA并收集大量數據，訓練后失真者神經網絡模型，以及部署該模型并進行性能監控和調整。通過利用機器學習，這種方法將大型數據集轉化為可作的洞察，為現代通信挑戰提供穩健且可擴展的解決方案。

步驟1：PA表征數據收集

為了設計和實現用于優化無線功率放大器的AI/ML模型，收集全面且高質量的特性分析數據至關重要，這些數據準確反映PA在不同條件下的實際性能。圖2展示了可用于PA表征數據收集工作的示例設置。

2. 寬帶PA特性分析的測量設置。

圖2所示的臺架配置允許通過提取S參數、輸出功率、功率添加效率（PAE）、輸入阻抗、輸入回波損耗、功率增益、AM到PM轉換等參數實現完整的表征。表1展示了模型輸入數據點的全面列表。然而，需要注意的是，模型的維度會影響其響應時間。此外，捕獲的數據必須數字化，才能用于訓練過程。

這種嚴謹且系統的數據收集方法為開發能夠準確預測和優化PA性能的AI/ML模型奠定了基礎。通過利用這一全面的數據集，設計者能夠實現可靠高效的無線通信系統。

步驟2：模型訓練

模型訓練過程包括將表1中收集的信號（部分或全部）輸入該系統，并通過損耗函數優化DPD模型以最小化誤差。神經網絡架構由相互連接的節點層（例如人工神經元）組成，這些節點被組織為主要核心組件（圖3和表2）。

3. 深度學習中多類預測神經網絡的架構。

訓練過程中，隱藏層向前傳播數據，而權重和偏差通過梯度下降的反向傳播優化。網絡結構可以調整，對于高度非線性成分包含更多神經元，或為更光滑的元素增加更多神經元。

雖然本文不在討論創建有效且可擴展AI模型訓練環境的最佳AI硬件、軟件和工具，但我們建議AI工程師探索KNIME，一個無代碼的數據分析和機器學習平臺。KNIME 采用圖形用戶界面（GUI），允許用戶只需拖放節點即可設計工作流程，無需大量編程知識。這些工作流程視覺化且易于理解，使平臺對廣泛受眾開放。

對于偏好基于Python的方法的人來說，Keras搭配TensorFlow提供了顯著優勢。這種組合將 Keras 的簡潔性與 TensorFlow 的穩健性和可擴展性相結合，使其成為從實驗到生產級深度學習應用項目的極佳選擇。

在PA表征工作中，將收集數百萬樣本——70%用于訓練，30%用于測試和驗證，以評估模型模仿PA行為的能力。模型性能將通過準確性、精度、召回率、F1分數和ROC-AUC等指標進行評估。

步驟3：神經網絡模型驗證與部署

部署過程始于驗證模型以確保魯棒性和準確性，利用驗證數據監控訓練質量并執行標準，同時測試數據獨立評估準確性和泛化性。解決過擬合和欠擬合問題對于確保模型能夠良好推廣到新數據至關重要。

通過限制層數、隱藏神經元或參數以簡化模型，擴展訓練數據集，甚至通過修剪（例如去除對性能貢獻不大的冗余神經元）來增強泛化來緩解過擬合。另一方面，通過增加隱藏神經元以提升模型復雜度和/或調整學習率、批次大小或正則化強度等超參數來改善擬合不足。

機器學習工程師必須在這些策略間取得平衡，并迭代評估DPD模型的性能，以實現穩健且可推廣的模型，同時關注模型的執行速度。圖4展示了神經網絡DPD模型評估系統架構的高級方塊圖。

4. 神經網絡DPD模型評估平臺的框圖。

無論如何，確定隱藏神經元的最佳數量需要實證研究、反復試驗或訓練中的適應性方法。這些調整確保網絡在復雜性與性能之間取得適當平衡，從而實現高效有效的模型部署。模型的部署可通過邊緣AI嵌入式MCU（如ADI的卷積神經網絡（CNN）加速芯片MAX78000實現。

將AI/ML與DPD系統整合：挑戰與機遇

將人工智能和機器學習整合進DPD系統具有顯著改進潛力，但也帶來了實際挑戰。DPD系統需要低延遲和高速處理，而這在計算密集型機器學習模型中較難實現。此外，動態運行條件如溫度波動和硬件老化，需要實時學習或遷移學習等自適應技術來保持最佳性能。

能源效率是另一個關鍵因素，因為AI/ML模型，尤其是深度學習架構，通常比傳統DPD方法耗電更多，因此不適合高能耗環境。未來的實驗應以輕量級神經網絡進行，這些網絡是標準神經網絡的優化版本。

這些輕量級神經網絡設計參數更少，計算量更少，且內存效率高。它們尤其適用于計算資源有限的應用，如移動和物聯網（IoT）設備或其他資源有限的系統。

許多機器學習模型，尤其是深度神經網絡中缺乏可解釋性，進一步復雜化了與DPD系統的整合。當決策過程不透明時，調試和優化具有挑戰性，因為這些模型將復雜作簡化為權重、偏差和激活函數。

結論：通過AI/機器學習實現DPD的進化

隨著大規模MIMO等5G技術需要更低功耗和更高精度，DPD系統必須進化以應對新的復雜性。AI/ML將在通過自適應學習和混合建模等創新實現可擴展、節能解決方案方面發揮關鍵作用。神經網絡能夠模擬復雜的非線性和記憶效應，通過近似非線性函數，簡化了DPD系統設計，無需顯式數學表述。

集成AI/ML提升了電力效率，使PA能夠接近飽和運行，同時降低非線性PA的成本。盡管面臨挑戰，AI/ML驅動的系統在提升DPD系統的準確性、適應性和可擴展性方面具有巨大潛力。

結合傳統多項式方法與AI/ML技術的混合方法，提供了平衡的解決方案，將經典模型的可解釋性與AI/ML的先進能力相結合。通過創新策略應對這些挑戰，AI/ML能夠推動DPD系統的變革性進展，支持現代通信技術的發展。