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

Technische Samenvatting: DPD-KAN voor 5G Analog RoF-systemen

Probleemstelling
Radio-over-fiber (RoF) is een cruciale technologie voor de distributie van draadloze signalen in dichte 5G- en toekomstige 6G-netwerken. Hoewel Digital RoF (D-RoF) zorgt voor een hoge signaalfidelity, introduceert het aanzienlijke bandbreedte-overhead en uitdagingen op het gebied van energieverbruik voor dichte Remote Radio Unit (RRU) implementaties. Analog RoF (A-RoF) biedt een efficiënter alternatief met lagere latentie en complexiteit; echter zijn A-RoF-verbindingen zeer gevoelig voor signaaldegradatie. In systemen die gebruikmaken van direct gemoduleerde lasers (DML's), ontstaan imperfecties door laserverzadiging, clipping, intensiteitsafhankelijke frequentie-chirp en de interactie tussen chirp en dispersie binnen standaard single-mode vezels (SSMF).

Digital Predistortion (DPD) is de standaardtechniek voor het mitigeren van deze nonlineariteiten. Hoewel Machine Learning (ML)-modellen, zoals Multilayer Perceptrons (MLP's), Convolutionele Neurale Netwerken (CNN's) en Recurrente Neurale Netwerken (RNN's), superieure prestaties hebben aangetoond ten opzichte van klassieke Volterra-gebaseerde methoden (bijv. Generalized Memory Polynomials, GMP), blijven hun computationele complexiteit en energieverbruik barrières voor praktische implementatie in fronthaul-verbindingen. Bovendien hebben Kolmogorov-Arnold Networks (KAN's), die gebruikmaken van leerbare activatiefuncties op de randen (edges) in plaats van vaste functies op de knooppunten (nodes), veelbelovend gebleken voor optische baseband-equalisatie en RF power amplifier DPD, maar zijn ze nog niet onderzocht voor DPD in A-RoF-systemen.

Methodologie
De auteurs stellen DPD-KAN voor, het eerste KAN-gebaseerde DPD-model dat specifiek is ontworpen voor een 5G New Radio (NR) A-RoF fronthaul-verbinding. De experimentele opstelling omvat een 100 MHz bandbreedte, 64-QAM 5G NR-golfvorm die is opgehoogd naar een 3,6 GHz RF-carrier. De optische transmissie maakt gebruik van een 1550 nm VCSEL DML over een 1 km SSMF-verbinding, gevolgd door fotodetectie en capture via een real-time oscilloscoop.

De DPD-KAN-architectuur maakt gebruik van een dual-path residuele structuur:

1. Lineair Pad: Een identiteitsmapping die het ongecorrigeerde signaal doorgeeft.
2. Niet-lineair KAN Pad: Leert de residuele correctie ($\Delta I, \Delta Q$). In tegenstelling tot MLP's gebruiken KAN's leerbare activatiefuncties $\phi(x)$ op de randen, gedefinieerd als een combinatie van een basisgewicht, een SiLU-functie en een gewogen som van B-spline basisfuncties.

Het model verwerkt een driedimensionale inputvector bestaande uit de In-phase (I) en Quadrature (Q) componenten van het baseband-signaal en het RF-invoervermogen. Gezien de verbindinglengte van 1 km werd vastgesteld dat geheugeneffecten van chromatische dispersie verwaarloosbaar waren; daarom werd een geheugenloos architectuur gehanteerd om statische imperfecties (VCSEL electro-optische nonlineariteit en driverversterker verzadiging) aan te pakken. De modelgewichten worden tijdens de inferentie uniform gekwantiseerd naar een resolutie van 8 bits.

Voor validatie werd een Indirect Learning Architecture (ILA) gebruikt om de modellen te trainen. De auteurs vergeleken het voorgestelde DPD-KAN met een baseline MLP (met dezelfde residuele architectuur) en een conventioneel GMP-model. Complexiteit werd gemeten in Bit Operations (BOP's) om de kosten van gekwantiseerde netwerken accuraat weer te geven.

Belangrijkste Resultaten
De studie evalueert de prestaties op basis van Error Vector Magnitude (EVM), Adjacent Channel Leakage Ratio (ACLR) en Normalized Mean Square Error (NMSE) over variërende RF-invoervermogens en complexiteitsniveaus (BOP's).

• Prestaties bij Lage Complexiteit: Bij ongeveer $10^4$ BOP's presteert DPD-KAN significant beter dan zowel MLP als GMP. Specifiek, bij een RF-invoervermogen van 5 dBm, bereikt DPD-KAN een 24,2% lagere EVM dan een MLP met een equivalente complexiteit en een 29,6% lagere EVM dan een GMP-model met een hogere complexiteit ($10^5$ BOP's).
• Spectrale Efficiëntie: Bij een RF-invoervermogen van 3 dBm vermindert het $10^4$ BOP's KAN-model de spectrale regroei met ongeveer 5 dB vergeleken met een $10^4$ BOP's MLP en een $10^5$ BOP's GMP-model.
• Complexiteitsefficiëntie: Een uitgebreide analyse van 200 onafhankelijke proeven onthult dat DPD-KAN convergeert naar optimale prestaties tegen een aanzienlijk lagere computationele kosten. Om een EVM-drempel van minder dan 2% te bereiken, vereist DPD-KAN ongeveer 52% minder BOP's dan de MLP-baseline (1,32 $\times$ $10^4$ BOP's voor KAN vs. 2,75 $\times$ $10^4$ BOP's voor MLP).
• Prestaties bij Hoge Complexiteit: Bij hogere complexiteitsniveaus ($10^5$ BOP's) bereikt DPD-KAN een EVM van 0,91%, een ACLR van -47,46 dBc en een NMSE van -40,81 dB, waarmee het vergelijkbaar presteert met het equivalente MLP, maar met een aangetoond voordeel in convergentie-efficiëntie bij lagere complexiteiten.

Betekenis en Claims
Het artikel claimt aan te tonen de eerste toepassing van KAN's voor DPD in 5G A-RoF fronthaul-verbindingen, waarbij een fundamenteel andere uitdaging wordt aangepakt dan eerdere KAN-toepassingen in baseband-equalisatie of standalone RF power amplifiers. De primaire betekenis van dit werk ligt in het bewijs dat KAN's een efficiëntere niet-lineaire basis bieden voor de distortieprofielen van VCSEL-gebaseerde A-RoF-verbindingen vergeleken met fixed-activation MLP's en Volterra-gebaseerde GMP's, met name onder strikte complexiteitsbeperkingen.

De auteurs concluderen dat DPD-KAN een geschikte architectuur is voor lage-complexiteit linearisatie in fronthaul A-RoF-systemen, en een pad biedt voor de implementatie van effectieve ML-gebaseerde DPD in hulpbronnen-beperkte 5G-omgevingen zonder de prohibitieve energie- en computationele overhead die gepaard gaat met traditionele deep learning-modellen.