Low Complexity Kolmogorov-Arnold Network-based DPD for Analog RoF Fronthaul

Technische Samenvatting: Laag-complexe Kolmogorov-Arnold Netwerk-gebaseerde DPD voor Analoge RoF Fronthaul

Probleemstelling
De transitie naar 6G mobiele draadloze systemen vereist het gebruik van hogere frequentiebanden (mmW en Terahertz) om te voldoen aan de eisen voor hoge datasnelheden en naadloze connectiviteit. Deze frequenties lijden echter aan aanzienlijke atmosferische attenuatie, wat het transmissiebereik beperkt. Analoge Radio-over-Fiber (A-RoF) systemen bieden een oplossing door gebruik te maken van de hoge bandbreedte en lage attenuatie van optische vezels om draadloze signalen over lange afstanden te transporteren. Ondanks dit voordeel zijn A-RoF-verbindingen gevoelig voor degradatie van de signaalkwaliteit veroorzaakt door zowel lineaire als nietlineaire imperfecties. Belangrijke bronnen van nietlineariteit zijn de elektro-optische modulatoren (specifiek Mach-Zehnder Modulatoren of MZM's), het vezelkanaal (Kerr-effecten en dispersie) en, het meest kritisch, de vermogensversterkers (Power Amplifiers of PAs) die worden gebruikt om radiosignalen te versterken.

Nietlineaire vervormingen zijn bijzonder schadelijk omdat ze afhankelijk zijn van signaalvermogensniveaus, wat een afweging creëert tussen energie-efficiëntie en Quality of Transmission (QoT). Hoewel PAs het meest efficiënt zijn in verzadiging, versterkt dit regime de nietlineaire effecten. Digital Predistortion (DPD) is een standaardtechniek om deze vervormingen te mitigeren door de inverse van de nietlineaire respons van het kanaal te schatten en toe te passen. Hoewel Memory Polynomials (MP) goed gevestigd zijn voor dit doel, heeft recent onderzoek de weg verkend voor Neural Networks (NNs) vanwege hun vermogen om complexe multidimensionale mapping te modelleren. Echter, NN-gebaseerde DPD-modellen lijden vaak aan een hoge computationele complexiteit en missen interpreteerbaarheid in vergelijking met traditionele modellen.

Methodologie
Dit artikel stelt een nieuw DPD-model voor genaamd de Envelope Time-Delay Kolmogorov-Arnold Network (ETDKAN) en valideert dit experimenteel. De aanpak integreert fysieke beperkingen van RF-nietlineaire apparaten in de netwerkarchitectuur.

1. Theoretisch Fundament: Het model is gebaseerd op het Kolmogorov-Arnold Representation Theorem, dat multivariabele functies representeert als composities van univariate functies. In tegenstelling tot Multilayer Perceptrons (MLPs) die gewichten en biases optimaliseren, optimaliseren KANs parametriseerbare activatiefuncties (gerepresenteerd als een som van een vaste nietlineaire functie en een B-spline).
2. Modelarchitectuur: De ETDKAN past de Envelope Time-Delay Neural Network (ETDNN) architectuur aan door de MLP-component te vervangen door een KAN. De input bestaat uit tijd-vertraagde magnitudes van het ingangssignaal, wat ervoor zorgt dat de output een oneven functie is van de input, een fysieke beperking die vereist is voor nauwkeurige PA-modellering.
3. Symbolische Reductie: Om de hoge computationele kosten van KANs (specifiek de B-spline berekeningen) aan te pakken, gebruiken de auteurs een symboliseringsproces. Na de initiële training worden de geleerde activatiefuncties benaderd door analytische expressies (bijv. affine transformaties van standaardfuncties) met behulp van symbolische regressie. Dit resulteert in een symbolische ETDKAN (symbETDKAN) variant.
4. Systeemsimulatie en Experimentatie:
   • Simulatie: Een A-RoF systeemmodel werd geïmplementeerd inclusief OFDM golfvormgeneratie, MZM-modellering (push-pull configuratie), vezelkanaaleffecten (verlies en chromatische dispersie), fotodiode detectie, en een volgens 3GPP gespecificeerd geheugenloos PA-model.
   • Training: Modellen werden getraind met behulp van de Indirect Learning Architecture (ILA) met 50.000 signaalmonsters. Hyperparameters werden geoptimaliseerd met het Optuna framework.
   • Experiment: Een back-to-back A-RoF experimentele opstelling werd geconstrueerd met een external cavity laser, een MZM, een fotodetector en een PA. Het systeem maakte gebruik van 64QAM OFDM-signalen met een bandbreedte van 100 MHz.

Belangrijkste Bijdragen

• Eerste Experimentele Demonstratie: Dit werk presenteert de eerste experimentele demonstratie van een KAN-gebaseerd DPD-model voor A-RoF systemen.
• ETDKAN Voorstel: De introductie van het ETDKAN-model, dat envelope time-delay inputs incorporeert om aan de fysieke beperkingen van de PA te voldoen, terwijl het KAN-framework wordt benut.
• Complexiteitsreductie via Symbolisering: De succesvolle toepassing van het symboliseringsproces op de ETDKAN, wat de symbETDKAN variant creëert. Deze variant behoudt de interpreteerbaarheid en prestaties van het neurale netwerk terwijl de computationele complexiteit drastisch wordt verminderd.
• Vergelijkende Analyse: Een uitgebreide vergelijking met gevestigde modellen: Memory Polynomials (MP), ARVTDNN, ETDNN en de niet-symbolische ETDKAN.

Resultaten

• Numerieke Simulatie:
  • De niet-symbolische ETDKAN behaalde de beste Adjacent Channel Leakage Ratio (ACLR) van -36,54 dB en een Error Vector Magnitude (EVM) van 3,16%, waarmee het MLP-gebaseerde modellen (ETDNN en ARVTDNN) overtrof. Echter, het vereiste een hoge computationele kosten van 5.804 Floating-Point Operations (NFLOP).
  • De symbETDKAN behaalde een vergelijkbare prestatie als de neurale netwerkmodellen (ACLR: -35,71 dB, EVM: 3,46%), maar met een computationele complexiteit (53–143 NFLOP) die dicht bij die van het Memory Polynomial model (60 NFLOP) ligt.
  • Vergeleken met de ARVTDNN vereiste de symbETDKAN ongeveer 8 keer minder NFLOPs voor vergelijkbare prestaties.
• Experimentele Validatie:
  • In de fysieke A-RoF testopstelling slaagden de voorgestelde modellen erin om nietlineaire vervormingen te mitigeren.
  • De ETDKAN behaalde een ACLR van -34,49 dB, terwijl de symbETDKAN -33,12 dB behaalde.
  • De experimentele resultaten bevestigden een reductie in ACLR van 4–5 dB voor de voorgestelde modellen vergeleken met het systeem zonder DPD.
  • De relatieve prestatieranking bleef consistent met de simulaties: de symbETDKAN bood een gunstige balans tussen de hoge prestaties van NNs en de lage complexiteit van MP-modellen.

Significantie en Claims
Het artikel claimt dat de voorgestelde symbETDKAN aanpak een praktische oplossing biedt voor het lineariseren van A-RoF verbindingen in toekomstige 6G-netwerken. Door de superieure modelleringsmogelijkheden van KANs te combineren met een symboliseringsproces, demonstreren de auteurs dat het mogelijk is om prestaties te behalen die vergelijkbaar zijn met complexe neurale netwerken, terwijl de computationele complexiteit vergelijkbaar blijft met die van traditionele, laag-complexe polynomiale modellen.

De auteurs benadrukken dat het vermogen van het KAN-framework om analytische expressies af te leiden een veelbelovende kandidaat maakt voor de egalisatie en modellering van nietlineariteiten in moderne communicatiesystemen. De studie concludeert dat de ETDKAN-gebaseerde DPD een levensvatbare kandidaat is voor A-RoF fronthauls, met name waar de interpreteerbaarheid en de verminderde complexiteit van het symbolische model voordelig zijn voor implementatie. Toekomstig werk dat door de auteurs wordt gesuggereerd, omvat het onderzoeken van de KAN-prestaties onder verschillende nietlineaire regimes en het beoordelen van de impact van frequentie-selectieve optische kanaalresponsen in direct-detection systemen.