⚡ electrical engineering

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

Dit artikel stelt een met lage complexiteit uitgeruste, op neurale netwerken gebaseerde digitale predistortie-architectuur voor die gebruikmaakt van een offline LASSO- en MRMR-feature selectie-pipeline om een reductie van tot wel 30% in computationele kosten te bereiken, terwijl de linearisatieprestaties vergelijkbaar blijven met polynoommethoden voor breedbandige vermogensversterkers.

Oorspronkelijke auteurs: Cel Thys, Rodney Martinez Alonso, Ali H Alsarraf, Dominique Schreurs, Sofie Pollin

Gepubliceerd 2026-07-20

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Cel Thys, Rodney Martinez Alonso, Ali H Alsarraf, Dominique Schreurs, Sofie Pollin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Digitale Stemmer: Waarom je telefoon slimme wiskunde nodig heeft

Stel je voor dat je probeert een geheim bericht over een lawaaierig, druk stadion te schreeuwen. Als je gewoon op vol volume schreeuwt, kan je stem vervormen, breken of verloren gaan in de echo, waardoor het voor je vriend onmogelijk is om je te begrijpen. In de wereld van draadloze communicatie wordt dit "geschreeuw" gedaan door een apparaat genaamd een Power Amplifier (PA) (vermogensversterker). Zijn taak is om zwakke signalen van je telefoon of een zendmast te versterken, zodat ze ver kunnen reizen. Maar hier komt de adder onder het gras: wanneer deze versterkers hard werken om efficiënt te zijn, worden ze "humeurig" en beginnen ze het signaal te verdraaien, waarbij ze ongewenste ruis en vervorming toevoegen. Dit is vergelijkbaar met je stem die breekt wanneer je probeert een hoge noot te raken.

Om dit op te lossen, gebruiken ingenieurs een slim trucje genaamd Digital Predistortion (DPD) (digitale predistorsie). Denk aan DPD als een "pre-correctie"-stap. Voordat het signaal de versterker bereikt, laat een computer het signaal opzettelijk op precies de tegenovergestelde manier vervormen zoals de versterker dat zal doen. Wanneer de humeurige versterker dan probeert het signaal te vervormen, herstelt hij per ongeluk de rommel die de computer heeft gemaakt, waardoor er aan de andere kant een schoon, perfect bericht overblijft. Naarmate onze wereld meer snelle internet en bredere kanalen eist (zoals de nieuwe "FR3"-banden die gebruikt worden voor toekomstige 6G-netwerken), worden de signalen complexer en de versterkers nog humeuriger. Dit dwingt de computers die de pre-correctie uitvoeren om ongelooflijk complex te worden, wat enorme hoeveelheden rekenkracht vereist — alsof je duizend wiskundigen inhuurt om slechts één zin te corrigeren. De grote vraag is: kunnen we hetzelfde perfecte signaal krijgen zonder een supercomputer nodig te hebben?

Het Grote Idee van het Papier: De Beste Ingrediënten Kiezen

Dit artikel, getiteld "Low Complexity Neural Network Digital Predistortion of Wideband Power Amplifiers through Feature Selection", pakt exact dat probleem aan. De auteurs, een team uit België, merkten op dat hoewel Neural Networks (NNs) (neurale netwerken) geweldig zijn in het herstellen van deze vervormde signalen — ze doen het vaak beter dan oudere methoden — ze ook ongelooflijk zwaar en traag zijn. Ze vereisen duizenden wiskundige stappen (genaamd FLOPs) voor elk enkel stukje data, wat te veel is voor de kleine chips in onze apparaten.

De oplossing van het team is een beetje als het koken van een gastronomisch maaltijd, maar dan alleen met de absoluut beste ingrediënten. In plaats van elke mogelijke specerij en groente in de pan te gooien (wat huidige complexe neurale netwerken doen), hebben ze een slimme "boodschappenlijst"-generator gemaakt. Ze noemen dit een Feature Selection (kenmerkselectie) pijplijn.

Zo werkt hun "slimme boodschappen doen":

De Grote Stapel: Eerst genereren ze een enorme lijst met potentiële aanwijzingen (features) die de computer kunnen helpen begrijpen hoe de versterker zich misdraagt. Deze lijst is gebaseerd op klassieke wiskundige modellen en is enorm, met meer dan 300.000 potentiële aanwijzingen.
De Eerste Snede (LASSO): Ze gebruiken een hulpmiddel genaamd LASSO om snel de nutteloze aanwijzingen weg te hakken. Het is als een strenge chef die zegt: "We hebben geen 50 soorten zout nodig; laten we alleen de soorten houden die daadwerkelijk smaak toevoegen." Deze stap brengt de lijst terug naar een hanteerbare grootte.
De Laatste Selectie (MRMR): Vervolgens gebruiken ze een methode genaamd MRMR (Minimum Redundancy Maximum Relevance). Dit is het ultieme filter. Het kijkt naar de resterende aanwijzingen en vraagt: "Welke van deze vertellen ons iets nieuws en belangrijks dat de anderen niet vertellen?" Het verwijdert alle aanwijzingen die simpelweg dezelfde informatie herhalen.

Aan het einde van dit proces hebben ze een kleine, super-efficiënte lijst van de 100 tot 200 belangrijkste aanwijzingen. Ze voeden deze korte lijst aan een Neuraal Netwerk dat veel kleiner en sneller is dan de gebruikelijke varianten.

Wat Ze Vonden: Sneller, Slimmer en Net zo Goed

De onderzoekers testten deze nieuwe "Feature Selection"-methode op echte hardware, specif kindertje twee verschillende vermogensversterkers die opereren in het 15 GHz-bereik (onderdeel van de FR3-band). Ze vergeleken hun nieuwe methode met de standaard, zware neurale netwerken en de oudere polynomiale modellen.

De resultaten waren zeer veelbelovend. In hun tests slaagde de nieuwe methode erin om de rekenkosten met wel 30% te verminderen vergeleken met het standaard neurale netwerk, terwijl ze nog steeds hetzelfde niveau van signaalhelderheid bereikten.

Voor een van de versterkers bereikten ze een signaalkwaliteit (gemeten als NMSE) van -37 dB met slechts 595 FLOPs (wiskundige stappen). Het standaard neurale netwerk had 797 FLOPs nodig om een vergelijkbaar resultaat te behalen.
Op de tweede, moeilijkere versterker bereikten ze een kwaliteit van -34 dB met slechts 234 FLOPs, een reductie van 32% in inspanning vergeleken met de standaard aanpak.

Toen ze de signalen daadwerkelijk door de fysieke hardware lieten lopen en de prestaties in de echte wereld maten, blonk de nieuwe methode opnieuw uit. Het produceerde lagere foutmarges (EVM) en schonere signalen (ACLR) dan het standaard neurale netwerk, zelfs bij gebruik van minder middelen. Zo bereikte een van hun modellen bijvoorbeeld een foutpercentage van slechts 1,38% met slechts 407 FLOPs, terwijl het standaard model meer vermogen nodig had om een iets hoger foutpercentage van 1,88% te bereiken.

De Conclusie

De auteurs suggereren dat door het zware werk van het kiezen van de juiste "ingrediënten" te doen voordat het neurale netwerk begint te koken (een offline proces), we een veel lichter en sneller systeem kunnen bouwen dat in realtime werkt. Ze hebben dit niet alleen gesimuleerd op een computer; ze hebben het gemeten op daadwerkelijke hardware en hun gegevens vrijgegeven zodat anderen dit kunnen controleren.

Hoewel ze niet beweren dat ze elk probleem in de wereld hebben opgelost, hebben ze een duidelijke weg vooruit getoond: we hoeven onze neurale netwerken niet groter en zwaarder te maken om betere resultaten te krijgen. Soms is het geheim simpelweg weten welke aanwijzingen je moet negeren. Deze aanpak kan toekomstige 6G-netwerken efficiënter maken, waardoor onze apparaten sneller met elkaar kunnen communiceren zonder hun batterijen leeg te trekken of massieve, dure chips nodig te hebben.

Technische Samenvatting: Laag-complexe Neurale Netwerk Digitale Predistorsie van Breedbandige Vermogensversterkers door Kenmerkselectie

Probleemstelling
De evolutie naar 6G-draadloze systemen, met name in de Frequency Range 3 (FR3, 7–24 GHz), vereist het gebruik van zeer efficiënte vermogensversterkers (Power Amplifiers, PA's) die nabij verzadiging opereren. Deze werking introduceert significante nietlineaire distortie, wat Digitale Predistorsie (DPD) vereist voor linearisatie. Hoewel op Neurale Netwerken (NN) gebaseerde DPD-benaderingen, zoals Phase-Normalized Neural Networks (PNN), een superieure linearisatieprestatie hebben aangetoond vergeleken met traditionele Volterra-gebaseerde modellen (bijv. Memory Polynomial (MP) en Generalized Memory Polynomial (GMP)), worden zij geconfronteerd met een kritische barrière voor praktische implementatie: computationele complexiteit. Deze NN-modellen vereisen doorgaans duizenden Floating-point Operaties (FLOPs) per IQ-sample, wat aanzienlijk hoger is dan de enkele honderden FLOPs die typisch zijn voor polynomiale modellen. Deze hoge computationele kosten hinderen real-time implementatie in hardware met beperkte middelen voor digitale frontends.

Methodologie
De auteurs stellen een "Feature Selection NN-DPD" architectuur voor die is ontworpen om de kloof te overbruggen tussen de hoge prestaties van NNs en de lage complexiteit van polynomiale modellen. De methodologie ontkoppelt het DPD-probleem in twee afzonderlijke fasen:

Offline Kenmerk-engineering Pipeline:
- Kenmerkgeneratie: Het systeem genereert een uitgebreide, Volterra-geïnspireerde kenmerkruimte van het ingangssignaal. Dit omvat reële en imaginaire delen van vertraagde samples, enveloppetermen ( $|x(n)|^p$ ), en kruistermen die I/Q-componenten combineren bij verschillende geheugendiepten. Dit creëert een grote kandidaat-kenmerkmatrix ( $F \approx 321.200$ kenmerken).
- LASSO Pruning: Om de hoge wederzijdse correlatie tussen hoog-orde Volterra-basisfuncties aan te pakken, wordt de Least Absolute Shrinkage and Selection Operator (LASSO) toegepast. Deze $\ell_1$ -geregulariseerde regressie bevordert ijverheid (sparsity), waardoor de kandidaatenset wordt teruggebracht tot ongeveer 2.000 niet-nul kenmerken.
- MRMR Ranking: Het Minimum Redundancy Maximum Relevance (MRMR) algoritme wordt vervolgens gebruikt om de resterende kenmerken te rangschikken. Het selecteert een subset van kenmerken die de wederzijdse informatie met de doeloutput maximaliseren en de redundantie tussen de kenmerken zelf minimaliseren. Een hyperparameter $k$ (doorgaans 100–200 kenmerken) bepaalt de uiteindelijke inputgrootte.
Online Laag-complexe Inferentie:
- De geselecteerde top- $k$ kenmerken dienen als input voor een compacte, reële-getal Time-Delay Neural Network (TDNN).
- De architectuur maakt gebruik van een residuele PNN-structuur waarbij fase-normalisatie-operaties worden toegepast op de inputs en outputs.
- Cruciaal is dat de rekenintensieve kenmerkselectie offline plaatsvindt. Tijdens de real-time operatie worden alleen de generatie van de top- $k$ kenmerken en de NN-inferentie uitgevoerd, wat het aantal FLOPs tijdens runtime drastisch vermindert.

Belangrijkste Bijdragen

Nieuwe Architectuur: Introductie van een Feature Selection NN-DPD die de standaard, rekenintensieve data-gedreven kenmerkextractie van NNs vervangt door een vooraf berekende, geoptimaliseerde kenmerkenset.
Hybride Pipeline: Integratie van LASSO en MRMR algoritmen om een compacte, informatieve en niet-redundante inputrepresentatie te construeren die afgeleid is van dezelfde Volterra-kenmerken die gebruikt worden door GMP-modellen.
Open Benchmarking: De auteurs hebben hun gemeten breedbandige FR3 PA-datasets (twee 15 GHz apparaten met 100 MHz signalen) publiekelijk vrijgegeven om reproduceerbaar onderzoek en open benchmarking te ondersteunen.

Resultaten
De voorgestelde methode werd gevalideerd met gemeten data van twee verschillende PA's (een laag-gain GaAs-versterker en een hoog-gain versterker) aangestuurd door 100 MHz 64-QAM signalen.

Complexiteitsreductie: De Feature Selection NN bereikte een reductie in computationele complexiteit van tot wel 30% vergeleken met de baseline PNN, terwijl de linearisatieprestaties vergelijkbaar bleven. Specifiek, voor een doelstelling van -37 dB genormaliseerde gemiddelde kwadratische fout (NMSE), vereiste de voorgestelde methode 595 FLOps versus 797 FLOPs voor de baseline PNN (een verbetering van ~25%). In een tweede apparaattest bereikte het -34 dB NMSE met 234 FLOPs, een reductie van 32% ten opzichte van de PNN-baseline.
Linearisatieprestaties: Wat betreft Error Vector Magnitude (EVM) en Adjacent Channel Leakage Ratio (ACLR), presteerde het voorgestelde model consistent beter dan of gelijk aan de PNN-baseline bij een gelijkwaardig complexiteitsniveau. Bijvoorbeeld, met 407 FLOPs bereikte het voorgestelde model 1,38% EVM vergeleken met 1,88% voor de PNN. Het vertoonde ook de laagste worst-case ACLR, met een verbetering van tot 10 dB ten opzichte van de PA zonder DPD en met 3,8 dB ten opzichte van een vergelijkbaar PNN-model.
Trade-off Optimalisatie: De studie maakte gebruik van Bayesiaanse optimalisatie om hyperparameters (inclusclusief het aantal inputkenmerken $k$ ) af te stemmen, wat aantoonde dat de voorgestelde aanpak de Pareto-front verschuift, waardoor betere prestaties worden geboden voor een gegeven complexiteit of lagere complexiteit voor een gegeven prestatie.

Betekenis en Claims
Het artikel claimt dat de voorgestelde aanpak er succesvol in is geslaagd de complexiteit-prestatie trade-off van NN-gebaseerde DPD te verbeteren. Door zich te richten op de inputkenmerken in plaats van enkel op de netwerkarchitectuur, stelt de methode NN-modellen in staat om de linearisatie-nauwkeurigheid van state-of-the-art PNN's te evenaren terwijl de computationele last aanzienlijk wordt verminderd. Deze reductie maakt NN-gebaseerde DPD levensvatbaarder voor real-time implementatie in hardware met beperkte middelen, wat de kern hindernis aanpakt die de adoptie van NN DPD in praktische systemen heeft beperkt. De auteurs merken op dat het werk gevalideerd is op gemeten FR3-data en dat de publieke beschikbaarheid van deze datasets verdere research in open benchmarking ondersteunt. Zij suggereren bescheiden dat toekomstig werk de inspectie van de geselecteerde kenmerken zou kunnen omvatten om meer interpreteerbare NN DPD-algoritmen te ontwikkelen.

De Digitale Stemmer: Waarom je telefoon slimme wiskunde nodig heeft

Het Grote Idee van het Papier: De Beste Ingrediënten Kiezen

Wat Ze Vonden: Sneller, Slimmer en Net zo Goed

De Conclusie

Meer zoals dit