机器学习让功率放大器进入新境界 留言

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。

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。

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 

原文始发于微信公众号（actMWJC）