Low Complexity Neural Network Digital Predistortion of Wideband Power Amplifiers through Feature Selection

द डिजिटल ट्यूनर: आपके फोन को स्मार्ट गणित की आवश्यकता क्यों है

कल्पना कीजिए कि आप एक शोर भरे, भीड़भाड़ वाले स्टेडियम में एक गुप्त संदेश चिल्लाकर भेजने की कोशिश कर रहे हैं। यदि आप केवल पूरी आवाज़ में चिल्लाते हैं, तो आपकी आवाज़ विकृत हो सकती है, टूट सकती है या गूँज में खो सकती है, जिससे आपके मित्र के लिए समझना असंभव हो जाता है। वायरलेस संचार की दुनिया में, यह "चिल्लाना" पावर एम्पलीफायर (PA) नामक एक उपकरण द्वारा किया जाता है। इसका काम आपके फोन या सेल टॉवर से आने वाले कमजोर संकेतों को बढ़ाना है ताकि वे दूर तक जा सकें। लेकिन यहाँ एक पेंच है: जब ये एम्पलीफायर कुशल होने के लिए कड़ी मेहनत करते हैं, तो वे "चिड़चिड़े" हो जाते हैं और सिग्नल को मरोड़ने लगते हैं, जिससे अवांछित शोर और विकृति (डिस्टॉर्शन) पैदा होती है। यह बिल्कुल वैसा ही है जैसे जब आप कोई ऊँचा सुर लगाने की कोशिश करते हैं, तो आपकी आवाज़ फट जाती है।

इसे ठीक करने के लिए, इंजीनियर डिजिटल प्रीडिस्टॉर्शन (DPD) नामक एक चतुर तकनीक का उपयोग करते हैं। DPD को एक "प्री-करेक्शन" (पूर्व-सुधार) चरण के रूप में समझें। सिग्नल के एम्पलीफयर तक पहुँचने से पहले, एक कंप्यूटर जानबूझकर सिग्नल को उस सटीक तरीके से बिगाड़ देता है जिस तरह से एम्पलीफायर उसे बिगाड़ेगा। जब वह चिड़चिड़ा एम्पलीफायर सिग्नल को विकृत करने की कोशिश करता है, तो वह अनजाने में उस गड़बड़ी को ठीक कर देता है जो कंप्यूटर ने की थी, जिससे दूसरी ओर एक साफ और सटीक संदेश प्राप्त होता है। जैसे-जैसे हमारी दुनिया तेज़ इंटरनेट और व्यापक चैनल्स (जैसे भविष्य के 6G नेटवर्क में उपयोग किए जाने वाले नए "FR3" बैंड्स) की मांग कर रही है, सिग्नल अधिक जटिल होते जा रहे हैं, और एम्पलीफायर और भी अधिक चिड़चिड़े होते जा रहे हैं। यह प्री-करेक्शन करने वाले कंप्यूटरों को अविश्वसनीय रूप से जटिल बना देता है, जिसके लिए भारी मात्रा में कंप्यूटिंग पावर की आवश्यकता होती है—जैसे कि केवल एक वाक्य को ठीक करने के लिए हज़ार गणितज्ञों को काम पर रखना। बड़ा सवाल यह है: क्या हम बिना सुपरकंप्यूटर की आवश्यकता के वही सटीक सिग्नल प्राप्त कर सकते हैं?

पेपर का मुख्य विचार: सर्वश्रेष्ठ सामग्री चुनना

यह शोध पत्र, जिसका शीर्षक "लो कॉम्प्लेक्सिटी न्यूरल नेटवर्क डिजिटल प्रीडिस्टॉर्शन ऑफ वाइडबैंड पावर एम्पलीफायर्स थ्रू फीचर सिलेक्शन" है, ठीक इसी समस्या का समाधान करता है। बेल्जियम की एक टीम के लेखकों ने देखा कि जबकि न्यूरल नेटवर्क्स (NNs) इन विकृत संकेतों को ठीक करने में अद्भुत हैं—अक्सर पुराने तरीकों से बेहतर प्रदर्शन करते हैं—वे भी अविश्वसनीय रूप से भारी और धीमे हैं। उन्हें हर एक डेटा के लिए हजारों गणितीय चरणों (जिन्हें FLOPs कहा जाता है) की आवश्यकता होती है, जो हमारे उपकरणों के भीतर मौजूद छोटे चिप्स के लिए बहुत अधिक है।

टीम का समाधान एक शानदार भोजन बनाने जैसा है लेकिन केवल सबसे अच्छी सामग्रियों का उपयोग करके। हर संभव मसाला और सब्जी को बर्तन में डालने के बजाय (जैसा कि वर्तमान जटिल न्यूरल नेटवर्क्स करते हैं), उन्होंने एक स्मार्ट "शॉपिंग लिस्ट" जनरेटर बनाया है। वे इसे फीचर सिलेक्शन (विशेषता चयन) पाइपलाइन कहते हैं।

यहाँ उनका "स्मार्ट शॉपिंग" कैसे काम करता है:

1. बड़ा ढेर: सबसे पहले, वे संभावित सुरागों (फीचर्स) की एक विशाल सूची बनाते हैं जो कंप्यूटर को यह समझने में मदद कर सके कि एम्पलीफायर कैसे गलत व्यवहार कर रहा है। यह सूची पुराने गणितीय मॉडलों पर आधारित है और बहुत बड़ी है, जिसमें 3,00,000 से अधिक संभावित सुराग शामिल हैं।
2. पहला कट (LASSO): वे LASSO नामक एक टूल का उपयोग करके बेकार के सुरागों को जल्दी से काट देते हैं। यह एक सख्त शेफ की तरह है जो कहता है, "हमें 50 प्रकार के नमक की आवश्यकता नहीं है; आइए केवल उन्हीं को रखें जो वास्तव में स्वाद बढ़ाते हैं।" यह चरण सूची को एक प्रबंधनीय आकार में काट देता है।
3. अंतिम चयन (MRMR): इसके बाद, वे MRMR (मिनिमम रिडंडेंसी मैक्सिमम रेलवेंस) नामक एक विधि का उपयोग करते हैं। यह अंतिम फ़िल्टर है। यह शेष बचे सुरागों को देखता है और पूछता है, "इनमें से कौन सा हमें कुछ ऐसा नया और महत्वपूर्ण बताता है जो दूसरों से अलग है?" यह उन सुरागों को हटा देता है जो केवल वही जानकारी दोहरा रहे हैं।

इस प्रक्रिया के अंत में, उनके पास 100 से 200 सबसे महत्वपूर्ण सुरागों की एक छोटी, अत्यंत कुशल सूची होती है। वे इस छोटी सूची को एक न्यूरल नेटवर्क में फीड करते हैं जो सामान्य नेटवर्क्स की तुलना में बहुत छोटा और तेज़ होता है।

उन्होंने क्या पाया: तेज़, स्मार्ट और उतना ही बेहतर

शोधकर्ताओं ने इस नई "फीचर सिलेक्शन" पद्धति का वास्तविक हार्डवेयर पर परीक्षण किया, विशेष रूप से दो अलग-अलग पावर एम्पलीफायर्स पर जो 15 GHz रेंज (FR3 बैंड का हिस्सा) में काम कर रहे थे। उन्होंने अपनी नई पद्धति की तुलना मानक, भारी-भरकम न्यूरल नेटवर्क्स और पुराने पॉलिनोमियल मॉडल्स से की।

परिणाम काफी उत्साहजनक थे। उनके परीक्षणों में, नई पद्धति ने मानक न्यूरल नेटवर्क की तुलना में कंप्यूटेशनल लागत को 30% तक कम कर दिया, जबकि सिग्नल की स्पष्टता का समान स्तर बनाए रखा।

• एक एम्पलीफायर के लिए, उन्होंने केवल 595 FLOPs (गणितीय चरणों) का उपयोग करके -37 dB की सिग्नल गुणवत्ता (जिसे NMSE के रूप में मापा जाता है) प्राप्त की। मानक न्यूरल नेटवर्क को समान परिणाम प्राप्त करने के लिए 797 FLOPs की आवश्यकता थी।
• दूसरे, अधिक कठिन एम्पलीफायर पर, वे मानक दृष्टिकोण की तुलना में प्रयास में 32% की कमी के साथ केवल 234 FLOPs में -34 dB की गुणवत्ता तक पहुँचे।

जब उन्होंने वास्तव में भौतिक हार्डवेयर के माध्यम से सिग्नल्स को चलाया और वास्तविक दुनिया के प्रदर्शन को मापा, तो नया तरीका फिर से चमका। इसने मानक न्यूरल नेटवर्क की तुलना में कम त्रुटि दर (EVM) और स्वच्छ सिग्नल (ACLR) प्रदान किए, भले ही इसमें कम संसाधनों का उपयोग किया गया था। उदाहरण के लिए, उनके एक मॉडल ने केवल 407 FLOPs के साथ मात्र 1.38% की त्रुटि दर हासिल की, जबकि मानक मॉडल को थोड़ा उच्च त्रुटि दर 1.88% तक पहुँचने के लिए अधिक शक्ति की आवश्यकता थी।

निष्कर्ष

लेखक सुझाव देते हैं कि न्यूरल नेटवर्क के खाना बनाना शुरू करने से पहले सही "सामग्री" चुनने का कठिन काम करके (एक ऑफलाइन प्रक्रिया), हम एक बहुत हल्का, तेज़ सिस्टम बना सकते हैं जो रीयल-टाइम में चल सकता है। उन्होंने इसे केवल कंप्यूटर पर सिम्युलेट नहीं किया; उन्होंने इसे वास्तविक हार्डवेयर पर मापा और अपने डेटा को दूसरों के सत्यापन के लिए जारी किया।

हालाँकि वे यह दावा नहीं करते कि उन्होंने दुनिया की हर समस्या को हल कर दिया है, लेकिन उन्होंने एक स्पष्ट मार्ग दिखाया है: हमें बेहतर परिणाम प्राप्त करने के लिए अपने न्यूरल नेटवर्क्स को बड़ा और भारी बनाने की आवश्यकता नहीं है। कभी-कभी, रहस्य केवल यह जानना है कि किन सुरागों को अनदेखा करना है। यह दृष्टिकोण भविष्य के 6G नेटवर्क को अधिक कुशल बनाने में मदद कर सकता है, जिससे हमारे उपकरण अपनी बैटरी को खत्म किए बिना या भारी, महंगे चिप्स की आवश्यकता के बिना एक-दूसरे से तेज़ी से बात कर सकेंगे।