Résumé Technique : Compromis de Solutions Éparses dans le DPD GMP via le Seuil de Moindres Carrés

Énoncé du Problème

Les systèmes de communication par satellite sont confrontés à un défi critique : équilibrer un débit de données élevé avec les contraintes strictes de Taille, Masse et Puissance (SWaP) inhérentes au matériel spatial. Un goulot d'étranglement principal est l'Amplificateur de Puissance (PA), qui doit fonctionner près de la saturation pour maximiser l'efficacité énergétique. Cependant, ce fonctionnement induit des distorsions non linéaires significatives, spécifiquement des non-linéarités AM/AM (amplitude sur amplitude) et AM/PM (amplitude sur phase). Ces effets provoquent une régénération spectrale dans les bandes de fréquences adjacentes, violant les masques spectraux réglementaires (ex. FCC, ITU) et dégradant la diversité de la constellation au récepteur.

Pour atténuer ces problèmes, la Pré-Distorsion Numérique (DPD) est employée, modélisant généralement le PA à l'aide de Polynômes de Mémoire Généralisés (GMP), un sous-ensemble spécialisé de la série de Volterra. Bien que le GMP modélise efficacement les effets de mémoire et les termes croisés, l'utilisation de l'ensemble complet des noyaux GMP est calculatoirement prohibitive pour les environnements contraints par le SWaP. La sélection d'un sous-ensemble optimal de noyaux est un problème NP-difficile. Les méthodes de recherche dynamique existantes, telles que l'Orthogonal Matching Pursuit (OMP) et le Matching Pursuit (MP), traitent cela mais engendrent une surcharge de calcul élevée. De plus, l'article note que le MP repose sur une hypothèse d'orthogonalité qui s'effondre lorsqu'elle est appliquée aux matrices de caractéristiques hautement corrélées propres aux modèles GMP.

Méthodologie

Les auteurs proposent une approche de recherche statique appelée Seuil de Moindres Carrés (LST - Least Squares Thresholding) pour identifier un sous-ensemble épars de noyaux GMP. La méthodologie opère au sein d'une Architecture d'Apprentissage Itératif (ILA), où l'inverse du PA est estimé et appliqué au bloc de pré-distorsion.

1. Formulation du Modèle : La sortie du PA est modélisée comme une combinaison linéaire de fonctions de base GMP. L'objectif est de résoudre le vecteur de coefficients $x$ dans l'équation $Ax = b$, où$A$ est la matrice de caractéristiques GMP et $b$ est le signal cible.
2. Optimisation Éparse : Au lieu de résoudre tous les coefficients, l'objectif est de minimiser la norme $L_0$ (nombre d'éléments non nuls) du vecteur de solution $\hat{x}$ sous la contrainte $A\hat{x} = b$.
3. Comparaison des Algorithmes :
   • OMP (Orthogonal Matching Pursuit) : Un algorithme glouton qui sélectionne de manière itérative la colonne la plus corrélée avec le résidu et résout à nouveau le problème des moindres carrés pour l'ensemble du groupe sélectionné à chaque étape. Il est coûteux en calcul en raison des inversions de matrices répétées.
   • MP (Matching Pursuit) : Simplifie l'OMP en mettant à jour les coefficients via une projection scalaire, en supposant que les noyaux sélectionnés sont orthogonaux au sous-espace précédemment sélectionné. L'article soutient que cette hypothèse est invalide pour le GMP en raison de la forte corrélation inter-noyaux.
   • LST (Least Squares Thresholding) : Une approche statique qui calcule les corrélations initiales entre toutes les colonnes et le signal cible une seule fois. Elle trie ces corrélations par ordre décroissant et ajoute de manière gloutonne des noyaux à l'ensemble de support selon cet ordre fixe, résolvant un problème de moindres carrés uniquement pour l'ensemble actuel. Cela évite la re-corrélation et les opérations matricielles répétées de l'OMP.

Contributions Clés

• Comparaison Systématique : Ce travail présente la première comparaison systématique d'une approche de recherche statique (LST) par rapport à des algorithmes gloutons dynamiques (OMP et MP) spécifiquement pour le DPD GMP épars sous contraintes SWaP.
• Aperçu Théorique : L'article fournit une démonstration théorique de la raison pour laquelle l'hypothèse d'orthogonalité sous-jacente du MP échoue dans le contexte des matrices de caractéristiques GMP hautement corrélées, menant à des performances sous-optimales.
• Réduction de la Complexité : Les auteurs démontrent que le LST atteint une réduction significative de la complexité de calcul par rapport à l'OMP tout en maintenant une performance de linéarisation quasi identique.
• Application de Métriques Nouvelles : L'étude utilise l'Information Mutuelle Normalisée (NMI) comme métrique de fidélité aux côtés des métriques RF standards (ACPR, EVM, NMSE) pour capturer la dépendance statistique et les distorsions non linéaires résiduelles que la corrélation linéaire pourrait manquer.

Résultats

Des expériences ont été menées avec un amplificateur de puissance à base de GaN (Cree CGH40006-TB) avec un signal 64-QAM de 200 MHz de bande passante. Le modèle GMP utilisait 322 noyaux au total ($h=11, l=6, j=4$).

• Performance : À environ 20–25 noyaux non nuls, le LST et l'OMP ont tous deux atteint des métriques de performance (NMSE, ACPR, EVM, NMI) presque identiques à la solution complète de la régression de Ridge.
  • EVM : Le LST a atteint un EVM de -27,48 dB, surpassant de manière significative la limite 3GPP 64-QAM de -21,94 dB.
  • NMI : Le LST a légèrement surpassé la Régression de Ridge (0,7365 contre 0,7335), suggérant une régularisation implicite.
  • Performance du MP : Le MP a montré des performances nettement moins bonnes sur toutes les métriques (ex. EVM de -24,27 dB), confirmant l'impact négatif de l'hypothèse d'orthogonalité invalide.
• Complexité : Le LST a démontré une réduction de 2,77× des opérations de calcul par rapport à l'OMP.
  • Opérations LST : $\approx 2,67 \times 10^{11}$
  • Opérations OMP : $\approx 7,39 \times 10^{11}$
  • Opérations MP : $\approx 4,72 \times 10^{11}$

Signification et Revendications

L'article affirme que le LST offre une solution pratique pour l'implémentation d'un DPD GMP épars dans le matériel spatial où le traitement en temps réel et la faible consommation d'énergie sont critiques. En remplaçant les méthodes de recherche dynamiques et itératives par une approche de seuillage statique, les auteurs parviennent à une réduction drastique de la charge de calcul FPGA sans sacrifier la qualité de la linéarisation.

La signification de ce travail réside dans sa validation du fait qu'un ordonnancement statique et pré-calculé des noyaux est suffisant pour le DPD GMP, remettant en question la nécessité d'algorithmes dynamiques plus complexes comme l'OMP dans ce domaine spécifique. Les auteurs concluent que les travaux futurs se concentreront sur l'intégration de cette sélection de noyaux épars dans une boucle de Contrôle d'Apprentissage Itératif (ILC) et sur la validation de l'approche sur un matériel FPGA réel.