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

Résumé Technique : DPD-KAN pour les systèmes 5G Analog RoF

Énoncé du Problème
La radio sur fibre (RoF) est une technologie critique pour la distribution de signaux sans fil dans les réseaux 5G denses et les futurs réseaux 6G. Bien que la RoF numérique (D-RoF) garantisse une haute fidélité du signal, elle introduit des défis importants en termes de surcharge de bande passante et de consommation d'énergie pour les déploiements denses d'unités de radio distantes (RRU). La RoF analogique (A-RoF) offre une alternative plus efficace avec une latence et une complexité moindres ; cependant, les liaisons A-RoF sont hautement sensibles à la dégradation du signal. Dans les systèmes utilisant des lasers à modulation directe (DML), des défaillances apparaissent en raison de la saturation du laser, de l'écrêtage, du chirp dépendant de l'intensité et des interactions entre le chirp et la dispersion au sein de la fibre monomode standard (SSMF).

La prédistorsion numérique (DPD) est la technique standard pour atténuer ces non-linéarités. Bien que les modèles d'apprentissage automatique (ML), tels que les perceptrons multicouches (MLP), les réseaux de neurones convolutifs (CNN) et les réseaux de neurones récurrents (RNN), aient démontré des performances supérieures aux méthodes classiques basées sur Volterra (par exemple, les polynômes de mémoire généralisés, GMP), leur complexité computationnelle et leur consommation d'énergie restent des barrières à un déploiement pratique dans les liaisons de fronthaul. De plus, les réseaux Kolmogorov-Arnold (KAN), qui utilisent des fonctions d'activation apprenables sur les arêtes plutôt que des fonctions fixes sur les nœuds, ont montré des promesses pour l'égalisation optique de bande de base et la DPD d'amplificateurs de puissance RF, mais n'ont pas encore été étudiés pour la DPD dans les systèmes A-RoF.

Méthodologie
Les auteurs proposent le DPD-KAN, le premier modèle DPD basé sur KAN conçu spécifment pour une liaison de fronthaul A-RoF 5G New Radio (NR). Le montage expérimental implique une bande passante de 100 MHz, un signal 5G NR 64-QAM suréchantillonné sur une porteuse RF de 3,6 GHz. La transmission optique utilise un DML VCSEL à 1550 nm sur une liaison SSMF de 1 km, suivie d'une photodétection et d'une capture via un oscilloscope temps réel.

L'architecture DPD-KAN emploie une structure résiduelle à double voie :

1. Voie Linéaire : Une application d'identité qui transmet le signal non corrigé.
2. Voie Non-linéaire KAN : Apprend la correction résiduelle ($\Delta I, \Delta Q$). Contrairement aux MLP, les KAN utilisent des fonctions d'activation apprenables $\phi(x)$ sur les arêtes, définies par une combinaison d'un poids de base, d'une fonction SiLU et d'une somme pondérée de fonctions de base B-spline.

Le modèle traite un vecteur d'entrée tridimensionnel comprenant les composantes en phase (I) et en quadrature (Q) du signal de bande de base ainsi que la puissance d'entrée RF. Étant donné la longueur de liaison de 1 km, les effets de mémoire dus à la dispersion chromatique ont été jugés négligeables ; ainsi, une architecture sans mémoire a été adoptée pour traiter les imperfections statiques (non-linéarité électro-optique du VCSEL et saturation de l'amplificateur de commande). Les poids du modèle sont uniformément quantifiés en résolution de 8 bits lors de l'inférence.

Pour la validation, une architecture d'apprentissage indirect (ILA) a été utilisée pour entraîner les modèles. Les auteurs ont comparé le DPD-KAN proposé à un MLP de référence (utilisant la même architecture résiduelle) et à un modèle GMP conventionnel. La complexité a été mesurée en opérations de bits (BOPs) pour refléter précisément le coût des réseaux quantifiés.

Résultats Clés
L'étude évalue les performances en fonction de la magnitude de l'erreur vectorielle (EVM), du taux de fuite de canal adjacent (ACLR) et de l'erreur quadratique moyenne normalisée (NMSE) à travers diverses puissances d'entrée RF et niveaux de complexité (BOPs).

• Performance à faible complexité : À environ $10^4$ BOPs, le DPD-KAN surpasse significativement le MLP et le GMP. Spécifiquement, à une puissance d'entrée RF de 5 dBm, le DPD-KAN obtient un EVM 24,2 % inférieur à celui d'un MLP de complexité équivalente et un EVM 29,6 % inférieur à celui d'un modèle GMP de complexité supérieure ($10^5$ BOPs).
• Efficacité Spectrale : À une puissance d'entrée RF de 3 dBm, le modèle KAN de $10^4$ BOPs réduit la croissance spectrale d'environ 5 dB par rapport à un MLP de $10^4$ BOPs et un modèle GMP de $10^5$ BOPs.
• Efficacité de Complexité : Une analyse exhaustive de 200 essais indépendants révèle que le DPD-KAN converge vers une performance optimale à un coût computationnel nettement inférieur. Pour atteindre un seuil d'EVM inférieur à 2 %, le DPD-KAN nécessite environ 52 % de BOPs en moins que le modèle de référence MLP (1,32 $\times$ $10^4$ BOPs pour KAN contre 2,75 $\times$ $10^4$ BOPs pour MLP).
• Performance à haute complexité : À des niveaux de complexité plus élevés ($10^5$ BOPs), le DPD-KAN atteint un EVM de 0,91 %, un ACLR de -47,46 dBc et un NMSE de -40,81 dB, performant de manière comparable à l'MLP équivalent, mais avec un avantage démontré en efficacité de convergence à des complexités plus faibles.

Signification et Revendications
L'article affirme démontrer la première application des KAN pour la DPD dans les liaisons de fronthaul A-RoF 5G, abordant un défi fondamentalement différent des applications précédentes des KAN dans l'égalisation de bande de base ou les amplificateurs de puissance RF autonomes. La principale signification de ce travail réside dans la preuve que les KAN offrent une base non-linéaire plus efficace pour les profils de distorsion des liaisons A-RoF basées sur VCSEL par rapport aux MLP à activation fixe et aux GMP basés sur Volterra, particulièrement sous des contraintes de complexité strictes.

Les auteurs concluent que le DPD-KAN est une architecture adaptée pour la linéarisation à faible complexité dans les systèmes A-RoF de fronthaul, offrant une voie pour déployer une DPD basée sur l'apprentissage automatique efficace dans les environnements 5G à ressources limitées, sans l'overhead de puissance et de calcul prohibitif associé aux modèles traditionnels d'apprentissage profond.