DPD-KAN: Kolmogorov-Arnold Networks for Low Complexity Digital Predistortion in 5G Analog Radio-over-Fiber Systems

Resumen Técnico: DPD-KAN para sistemas de RoF analógico 5G

Planteamiento del Problema
La Radio sobre Fibra (RoF) es una tecnología crítica para la distribución de señales inalámbricas en redes 5G densas y futuras redes 6G. Si bien la RoF Digital (D-RoF) garantiza una alta fidelidad de la señal, introduce desafíos significativos de sobrecarga de ancho de banda y consumo de energía para despliegues densos de Unidades de Radio Remota (RRU). La RoF Analógica (A-RoF) ofrece una alternativa más eficiente con menor latencia y complejidad; sin embargo, los enlaces A-RoF son altamente susceptibles a la degradación de la señal. En sistemas que utilizan láseres de modulación directa (DML), surgen impedimentos debido a la saturación del láser, el recorte (clipping), el chirp dependiente de la intensidad y las interacciones entre el chirp y la dispersión dentro de la fibra monomodo estándar (SSMF).

La Pre-distorsión Digital (DPD) es la técnica estándar para mitigar estas no linealidades. Aunque los modelos de Aprendizaje Automático (ML), como los Perceptrones Multicapa (MLP), las Redes Neuronales Convolucionales (CNN) y las Redes Neuronales Recurrentes (RNN), han demostrado un rendimiento superior a los métodos clásicos basados en Volterra (por ejemplo, Polinomios de Memoria Generalizada, GMP), su complejidad computacional y consumo de energía siguen siendo barreras para su despliegue práctico en enlaces de red frontera (fronthaul). Además, las Redes Kolmogorov-Arnold (KAN), que utilizan funciones de activación aprendibles en las aristas en lugar de funciones fijas en los nodos, han mostrado ser prometedoras en la ecualización de banda base óptica y en la DPD de amplificadores de potencia de RF, pero aún no se han investigado para la DPD en sistemas A-RoF.

Metodología
Los autores proponen DPD-KAN, el primer modelo DPD basado en KAN diseñado específicamente para un enlace de red frontera A-RoF de 5G New Radio (NR). La configuración experimental involucra una forma de onda 5G NR de 100 MHz con 64-QAM ascendente a una portadora de RF de 3.6 GHz. La transmisión óptica utiliza un VCSEL DML a 1550 nm sobre un enlace SSMF de 1 km, seguido de la fotodetección y captura mediante un osciloscopio en tiempo real.

La arquitectura DPD-KAN emplea una estructura residual de doble vía:

1. Vía Lineal: Un mapeo de identidad que reenvía la señal no corregida.
2. Vía No Lineal KAN: Aprende la corrección residual ($\Delta I, \Delta Q$). A diferencia de los MLP, las KAN utilizan funciones de activación aprendibles $\phi(x)$ en las aristas, definidas como una combinación de un peso base, una función SiLU y una suma ponderada de funciones de base B-spline.

El modelo procesa un vector de entrada tridimensional que comprende los componentes de fase (I) y cuadratura (Q) de la señal de banda base y la potencia de entrada de RF. Dada la longitud del enlace de 1 km, se determinó que los efectos de memoria de la dispersión cromática eran insignificantes; por lo tanto, se adoptó una arquitectura sin memoria para abordar las impedancias estáticas (no linealidad electro-óptica del VCSEL y saturación del amplificador de control/driver). Los pesos del modelo se cuantizan uniformemente a una resolución de 8 bits durante la inferencia.

Para la validación, se utilizó una Arquitectura de Aprendizaje Indirecto (ILA) para entrenar los modelos. Los autores compararon el propuesto DPD-KAN frente a un MLP de referencia (utilizando la misma arquitectura residual) y un modelo GMP convencional. La complejidad se midió en Operaciones de Bits (BOPs) para reflejar con precisión el costo de las redes cuantizadas.

Resultados Clave
El estudio evalúa el rendimiento basándose en el Error Vector Magnitude (EVM), el Adjacent Channel Leakage Ratio (ACLR) y el Normalized Mean Square Error (NMSE) a través de diversas potencias de entrada de RF y niveles de complejidad (BOPs).

• Rendimiento a Baja Complejidad: A aproximadamente $10^4$ BOPs, DPD-KAN supera significativamente tanto al MLP como al GMP. Específicamente, a una potencia de entrada de RF de 5 dBm, DPD-KAN logra un EVM un 24.2% menor que un MLP de complejidad equivalente y un EVM un 29.6% menor que un modelo GMP de mayor complejidad ($10^5$ BOPs).
• Eficiencia Espectral: A una potencia de entrada de RF de 3 dBm, el modelo KAN de $10^4$ BOPs reduce el crecimiento espectral aproximadamente 5 dB en comparación con un MLP de $10^4$ BOPs y un GMP de $10^5$ BOPs.
• Eficiencia de Complejidad: Un análisis exhaustivo de 200 ensayos independientes revela que DPD-KAN converge al rendimiento óptimo a un costo computacional significativamente menor. Para alcanzar un umbral de EVM inferior al 2%, DPD-KAN requiere aproximadamente un 52% menos de BOPs que el modelo base MLP (1.32 $\times$ $10^4$ BOPs para KAN frente a 2.75 $\times$ $10^4$ BOPs para MLP).
• Rendimiento de Alta Complejidad: A niveles de complejidad más altos ($10^5$ BOPs), DPD-KAN alcanza un EVM de 0.91%, un ACLR de -47.46 dBc y un NMSE de -40.81 dB, rindiendo de manera comparable a un MLP equivalente, pero con una ventaja demostrada en la eficiencia de convergencia en complejidades menores.

Significado y Reivindicaciones
El artículo afirma demostrar la primera aplicación de KAN para DPD en enlaces de red frontera A-RoF de 5G, abordando un desafío fundamentalmente diferente a las aplicaciones previas de KAN en ecualización de banda base o amplificadores de potencia de RF independientes. El principal significado de este trabajo radica en demostrar que las KAN ofrecen una base no lineal más eficiente para los perfiles de distorsión de los enlaces A-RoF basados en VCSEL en comparación con los MLP de activación fija y los GMP basados en Volterra, particularmente bajo restricciones estrictas de complejidad.

Los autores concluyen que DPD-KAN es una arquitectura adecuada para la linealización de baja complejidad en sistemas de red frontera A-RoF, ofreciendo una vía para desplegar DPD basado en ML efectivo en entornos de 5G con recursos limitados, sin la carga prohibitiva de potencia y computación asociada con los modelos tradicionales de aprendizaje profundo.