Deep Learning-Driven Black-Box Doherty Power Amplifier with Pixelated Output Combiner and Extended Efficiency Range

Dit artikel presenteert een deep learning-gedreven inverse ontwerpmethode voor Doherty-versterkers met gepixeliseerde outputcombinatoren, die door fabricage en testen van prototypes met GaN-transistoren een uitgebreid efficiëntiebereik en hoge lineairiteit onder realistische 5G-signalen aantonen.

De kern

Stel je voor dat je een keuken hebt waar je enorme hoeveelheden eten moet bereiden. In de wereld van mobiele netwerken is de versterker (de Power Amplifier of PA) de chef-kok die het signaal "opwarmt" zodat het je telefoon bereikt.

Het probleem is dat moderne netwerken (zoals 5G) niet constant eten bestellen. Soms is het rustig (je zit alleen maar te scrollen), en soms is het een drukke avond (je downloadt een hele film).

• De uitdaging: Een traditionele chef-kok (een gewone versterker) staat altijd op volle kracht, ook als er niemand eet. Dat is een enorme verspilling van energie.
• De oplossing: De Doherty-versterker is een slimme chef met twee koks: een "hoofdkok" die altijd aan het werk is, en een "hulpkok" die pas ingrijpt als het echt druk wordt. Op die manier besparen ze energie als het rustig is.

Maar hier zit de krul: het ontwerp van de roosterplaat (de combiner) waar deze twee koks hun eten samenvoegen, is extreem moeilijk. Het moet perfect zijn, anders gaat de energie verloren.

Wat hebben deze onderzoekers gedaan?

In plaats van jarenlang te proberen om de perfecte roosterplaat te tekenen met de hand (wat vaak mislukt), hebben ze een kunstmatige intelligentie (AI) ingeschakeld. Hier is hoe ze dat deden, vertaald in een verhaal:

1. De "Pixel-Plaat" (Het Canvas)

Stel je voor dat de roosterplaat niet een vast metalen stukje is, maar een gigantisch pixel-scherm (zoals een oude Minecraft-blok).

• Elke pixel kan ofwel metaal zijn (1) of geen metaal (0).
• Door te kiezen welke pixels er metaal hebben, kunnen ze de vorm van de roosterplaat volledig vrij ontwerpen. Het is alsof je een beeldhouwwerk maakt van duizenden kleine blokjes.
• Het probleem: Er zijn meer mogelijke combinaties dan er sterren aan de hemel. Een mens kan dit nooit uitrekenen.

2. De "Snel-Lerende Profeet" (De AI)

Normaal gesproken moet je elke mogelijke pixel-combinatie in een supercomputer simuleren om te zien hoe het werkt. Dat duurt eeuwen.

• De onderzoekers hebben een Deep Learning-neuraal netwerk (een soort super-intelligente voorspeller) getraind.
• Ze hebben deze AI duizenden voorbeelden laten zien: "Kijk, als je deze pixels metaal maakt, gebeurt dit met het signaal."
• Na het trainen is de AI een profeet geworden. Ze kan in een fractie van een seconde voorspellen hoe een willekeurige pixel-ontwerp zal werken, zonder dat ze de zware simulaties hoeft te draaien.

3. De "Evolutie" (De Zoektocht)

Nu hebben ze een evolutie-algoritme (Genetisch Algoritme) gebruikt.

• Stel je voor dat je duizenden verschillende pixel-ontwerpen maakt (een populatie).
• De AI kijkt naar elk ontwerp en zegt: "Dit werkt goed, dat werkt slecht."
• De beste ontwerpen worden "gekruist" (zoals ouders die kinderen krijgen) en er worden kleine willekeurige veranderingen (mutaties) aangebracht.
• Na een paar rondes heeft de computer een perfecte, unieke pixel-ontdekking gevonden die een mens waarschijnlijk nooit had bedacht. Het is alsof je een nieuwe soort bloem laat evolueren die precies de juiste vorm heeft om water te vangen.

Wat was het resultaat?

Ze hebben twee prototypes gebouwd met deze AI-ontworpen roosterplaten.

• Efficiëntie: Ze werken extreem zuinig. Zelfs als het netwerk "op de achtergrond" draait (wanneer je weinig data gebruikt), blijven ze heel efficiënt. Ze halen meer dan 50% efficiëntie zelfs op momenten dat ze normaal gesproken 90% minder vermogen zouden leveren.
• Kracht: Ze zijn ook heel sterk als het nodig is (meer dan 44 dBm vermogen).
• Snelheid: Wat normaal maanden van ontwerpwerk kostte, deden ze in een paar dagen dankzij de AI.

Waarom is dit belangrijk?

Voor de gemiddelde gebruiker betekent dit:

1. Minder stroomverbruik: De zendmasten van je mobiele netwerk verbruiken minder elektriciteit. Dat is goed voor je energierekening en het milieu.
2. Betere dekking: Omdat ze efficiënter zijn, kunnen ze meer data versturen zonder oververhit te raken.
3. De toekomst: Dit bewijst dat AI niet alleen foto's kan maken of tekst kan schrijven, maar ook fysieke hardware kan ontwerpen die beter werkt dan wat menselijke ingenieurs ooit alleen hadden kunnen bedenken.

Kortom: Ze hebben een AI gevraagd om een puzzel op te lossen waar de mens te lang over zou doen. De AI heeft een oplossing gevonden die de wereld van mobiele netwerken zuiniger en krachtiger maakt.

Technische samenvatting

Probleemstelling

Moderne communicatiesystemen vereisen steeds hogere data-snelheden, wat leidt tot signalen met een hoge piek-naar-gemiddelde vermogenverhouding (PAPR). Dit stelt hoge eisen aan de energie-efficiëntie van versterkers, aangezien vermogensversterkers (PA's) in mobiele netwerken een groot deel van de energiekosten en thermische last veroorzaken.
De Doherty-versterker is een populaire oplossing voor efficiëntie bij vermogensback-off (lage vermogensniveaus), maar de traditionele ontwerpmethodes hebben beperkingen:

1. Complexiteit: Het ontwerp van het output-combiner-netwerk vereist vaak complexe, handmatige iteraties met cascaderende netwerken (aanpassingssecties, offsetlijnen, etc.).
2. Design Space Beperking: Bestaande methodes gebruiken vaak vooraf gedefinieerde topologieën (geconcentreerde of verdeelde elementen), wat de ontwerpruimte beperkt en het vinden van globale optima bemoeilijkt.
3. Rekenkracht: Traditionele inverse ontwerpen vereisen tijdrovende elektromagnetische (EM) simulaties voor elke kandidaat-structuur, wat het proces traag maakt.

Methodologie

De auteurs introduceren een datagedreven inverse ontwerpmethodologie die diep leren combineert met een "black-box" Doherty-aanpak en genetische optimalisatie. De kern van de methode bestaat uit drie componenten:

1. Black-Box Synthese:

   • In plaats van de combiner te ontwerpen door losse sub-netwerken te stapelen, wordt de volledige combiner direct gesynthetiseerd op basis van load-pull data van de transistoren.
   • Dit maakt het mogelijk om een versterker te ontwerpen met volledig symmetrische transistoren (Main en Aux) die toch een uitgebreid back-off-efficiëntiebereik bereikt.
   • De vereiste impedantie-matrix ($Z_{2P}$) wordt analytisch afgeleid uit load-pull metingen bij piek- en back-off-vermogensniveaus.

2. Pixelated Output Combiner:

   • Het output-combiner-netwerk wordt niet ontworpen met standaard lijnen of componenten, maar als een 2D-pixelmatris (15x15 pixels) op een printplaat.
   • Elke pixel is binair: '1' (metaal aanwezig) of '0' (dielektricum). Dit creëert een enorme ontwerpruimte ($2^{225}$ mogelijke structuren) die veel flexibeler is dan traditionele topologieën.

3. Deep Learning & Genetisch Algoritme (GA):

   • CNN Surrogaatmodel: Een diep Convolutional Neural Network (CNN) wordt getraind als een EM-surrogaatmodel. Het leert de relatie tussen de pixelmatris (input) en de S-parameters (output). Dit vervangt duizenden tijdrovende EM-simulaties door snelle voorspellingen.
   • Genetische Optimalisatie: Een GA gebruikt het getrainde CNN om de ontwerpruimte te doorzoeken. Het algoritme evolueert pixelmatrices om een specifieke doel-S-parameter-profiel te bereiken dat overeenkomt met de vereiste Doherty-gedraging.

Belangrijkste Bijdragen

• Eerste toepassing: Dit is het eerste werk dat diep leren en pixelated inverse ontwerp toepast op een Doherty-versterker, specifiek voor het synthetiseren van complexe drie-poorts combiner-netwerken.
• Uitgebreide Ontwerpruimte: Door het loslaten van traditionele topologieën en het gebruik van pixelmatrices, wordt de ontwerpruimte aanzienlijk vergroot, wat leidt tot oplossingen die dichter bij het globale optimum liggen.
• Snelheid en Efficiëntie: De combinatie van CNN en GA elimineert de noodzaak voor herhaalde full-wave EM-simulaties tijdens de optimalisatie, wat het ontwerptijdperk drastisch verkort.
• Symmetrisch Ontwerp: Het succesvol realiseren van een uitgebreid back-off-efficiëntiebereik met volledig identieke Main- en Aux-transistoren, wat de fabricage vereenvoudigt.

Resultaten

Twee prototypes werden ontworpen, gefabriceerd en gemeten op een 2.75 GHz frequentie, gebruikmakend van GaN HEMT transistoren (CG2H40010F):

• Efficiëntie:
  • Beide prototypes behaalden een maximale drain efficiency (DE) van >74% (Prototype 2: 76%) bij verzadiging.
  • Bij 9 dB back-off werd een drain efficiency van >52% gehandhaafd (Prototype 1: 55%, Prototype 2: 51%).
  • De output power overschreed 44.1 dBm.
• Lineairiteit en Modulatie:
  • Getest met een 20 MHz 5G NR-achtig signaal (PAPR 9.0 dB).
  • Na toepassing van Digital Predistortion (DPD) werd een gemiddelde Power-Added Efficiency (PAE) van >51% bereikt.
  • De Adjacent Channel Leakage Ratio (ACLR) verbeterde naar < -60.8 dBc, wat voldoet aan strenge eisen voor moderne communicatiesystemen.
• Vergelijking: De resultaten tonen een superieure efficiëntie bij diepe back-off-niveaus in vergelijking met state-of-the-art symmetrische Doherty-architecturen en andere load-modulatie-technieken (zoals LMBAs), terwijl het circuitformaat compact blijft.

Significantie

Dit werk markeert een paradigmaverschuiving in het ontwerp van radiofrequente schakelingen. Het bewijst dat deep learning niet alleen nuttig is voor analyse, maar ook effectief kan worden ingezet voor het inverse ontwerp van complexe, niet-triviale RF-componenten.
De methode overbrugt de kloof tussen theoretische load-pull data en fysieke realisatie, waardoor ontwerpers complexe combiner-netwerken kunnen creëren die met traditionele methoden onbereikbaar of te tijdrovend zouden zijn. Dit leidt tot energie-efficiëntere, compactere en robuustere versterkers die essentieel zijn voor de volgende generatie 5G- en toekomstige 6G-netwerken.