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

Sintesi Tecnica: DPD-KAN per sistemi Analog RoF 5G

Definizione del Problema
La Radio-over-Fiber (RoF) è una tecnologia critica per la distribuzione di segnali wireless in reti 5G dense e nelle prospettive reti 6G. Sebbene la Digital RoF (D-RoF) garantisca un'elevata fedeltà del segnale, introduce sfide significative in termini di overhead di banda e consumo energetico per le implementazioni dense di Remote Radio Unit (RRU). La Analog RoF (A-RoF) offre un'alternativa più efficiente con latenza e complessità inferiori; tuttavia, i collegamenti A-RoF sono altamente suscettibili alla degradazione del segnale. Nei sistemi che utilizzano laser a modulazione diretta (DML), le imperfezioni derivano dalla saturazione del laser, dal clipping, dal chirp dipendente dall'intensità e dalle interazioni tra chirp e dispersione all'interno della fibra monomodale standard (SSMF).

La Digital Predistortion (DPD) è la tecnica standard per mitigare tali non linearità. Sebbene i modelli di Machine Learning (ML), come i Multilayer Perceptrons (MLP), le Reti Neurali Convoluzionali (CNN) e le Reti Neurali Ricorrenti (RNN), abbiano dimostrato prestazioni superiori rispetto ai metodi classici basati su Volterra (ad esempio, i Generalized Memory Polynomials, GMP), la loro complessità computazionale e il consumo di energia rimangono barriere per l'implementazione pratica nei collegamenti di fronthaul. Inoltre, le Kolmogorov-Arnold Networks (KAN), che utilizzano funzioni di attivazione apprendibili sugli archi anziché funzioni fisse sui nodi, hanno mostrato una promettente applicazione nell'equalizzazione ottica del baseband e nel DPD di amplificatori di potenza RF, ma non sono ancora state investigate per il DPD in sistemi A-RoF.

Metodologia
Gli autori propongono DPD-KAN, il primo modello DPD basato su KAN progettato specificamente per un collegamento fronthaul 5G NR A-RoF. L'allestimento sperimentale prevede una larghezza di banda di 100 MHz, un segnale 5G NR 64-QAM upconvertito a una portante RF a 3,6 GHz. La trasmissione ottica utilizza un VCSEL DML a 1550 nm su un collegamento SSMF di 1 km, seguito da fotodetezione e acquisizione tramite un oscilloscopio in tempo reale.

L'architettura DPD-KAN impiega una struttura residua a doppio percorso:

1. Percorso Lineare: Una mappatura identità che inoltra il segnale non corretto.
2. Percorso Non Lineare KAN: Apprende la correzione residua ($\Delta I, \Delta Q$). A differenza degli MLP, le KAN utilizzano funzioni di attivazione apprendibili $\phi(x)$ sugli archi, definite come una combinazione di un peso base, una funzione SiLU e una somma pesata di funzioni di base B-spline.

Il modello elabora un vettore di input tridimensionale composto dalle componenti in fase (I) e in quadratura (Q) del segnale baseband e dalla potenza di ingresso RF. Data la lunghezza del collegamento di 1 km, si è scoperto che gli effetti di memoria della dispersione cromatica erano trascurabili; pertanto, è stata adottata un'architettura priva di memoria per affrontare le imperfezioni statiche (non linearità elettro-ottica del VCSEL e saturazione dell'amplificatore driver). I pesi del modello sono quantizzati uniformemente a una risoluzione a 8 bit durante l'inferenza.

Per la validazione, è stata utilizzata un'Architettura di Apprendimento Indiretto (ILA). Gli autori hanno confrontato il modello proposto DPD-KAN con un baseline MLP (utilizzando la stessa architettura residua) e un modello GMP convenzionale. La complessità è stata misurata in Operazioni di Bit (BOPs) per riflettere accuratamente il costo delle reti quantizzate.

Risultati Chiave
Lo studio valuta le prestazioni in base all'Error Vector Magnitude (EVM), all'Adjacent Channel Leakage Ratio (ACLR) e al Normalized Mean Square Error (NMSE) attraverso diversi livelli di potenza di ingresso RF e livelli di complessità (BOPs).

• Prestazioni a Bassa Complessità: A circa $10^4$ BOPs, DPD-KAN supera significativamente sia l'MLP che il GMP. Nello specifico, a una potenza di ingresso RF di 5 dBm, DPD-KAN ottiene un EVM inferiore del 24,2% rispetto a un MLP di equivalente complessità e un EVM inferiore del 29,6% rispetto a un modello GMP di complessità superiore ($10^5$ BOPs).
• Efficienza Spettrale: A una potenza di ingresso RF di 3 dBm, il modello KAN da $10^4$ BOPs riduce il rigrow della componente spettrale di circa 5 dB rispetto a un MLP da $10^4$ BOPs e a un modello GMP da $10^5$ BOPs.
• Efficienza della Complessità: Un'analisi completa di 200 prove indipendenti rivela che DPD-KAN converge verso prestazioni ottimali a un costo computazionale significativamente inferiore. Per raggiungere una soglia di EVM inferiore al 2%, DPD-KAN richiede circa il 52% in meno di BOPs rispetto al baseline MLP (1,32 $\times$ $10^4$ BOPs per KAN contro 2,75 $\times$ $10^4$ BOPs per MLP).
• Prestazioni ad Alta Complessità: A livelli di complessità più elevati ($10^5$ BOPs), DPD-KAN raggiunge un EVM dello 0,91%, un ACLR di -47,46 dBc e un NMSE di -40,81 dB, operando in modo comparabile all'MLP equivalente ma con un vantaggio dimostrato nell'efficienza di convergenza a complessità inferiori.

Significato e Rivendicazioni
Il documento sostiene di aver dimostrato la prima applicazione delle KAN per il DPD in collegamenti fronthaul 5G A-RoF, affrontando una sfida fondamentalmente diversa rispetto alle precedenti applicazioni KAN nell'equalizzazione del baseband o nei standalone RF power amplifier. Il significato primario di questo lavoro risiede nel dimostrare che le KAN offrono una base non lineare più efficiente per i profili di distorsione dei collegamenti A-RoF basati su VCSEL rispetto agli MLP con attivazione fissa e ai GMP basati su Volterra, specialmente sotto vincoli rigorosi di complessità.

Gli autori concludono che DPD-KAN è un'architettura idonea per la linearizzazione a bassa complessità nei sistemi fronthaul A-RoF 5G, offrendo una via per l'implementazione di un DPD basato su ML efficace in ambienti 5G con risorse limitate, senza l'onere proibitivo di potenza e complessità computazionale associato ai modelli tradizionali di deep learning.