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

Resumo Técnico: DPD-KAN para Sistemas RoF Analógicos 5G

Definição do Problema
A Radio-sobre-fibra (RoF) é uma tecnologia crítica para a distribuição de sinais sem fio em redes 5G densas e futuras redes 6G. Embora a RoF Digital (D-RoF) garanta alta fidelidade de sinal, ela introduz desafios significativos de overhead de largura de banda e consumo de energia para implantações densas de Unidades de Rádio Remoto (RRU). A RoF Analógica (A-RoF) oferece uma alternativa mais eficiente com menor latência e complexidade; no entanto, os links de A-RoF são altamente suscetíveis à degradação do sinal. Em sistemas que utilizam lasers modulados diretamente (DMLs), surgem impedimentos decorrentes da saturação do laser, clipping, chirp dependente da intensidade e interações de chirp-dispersão dentro de uma fibra monomodo padrão (SSMF).

A Pré-distorção Digital (DPD) é a técnica padrão para mitigar essas não linearidades. Embora modelos de Aprendizado de Máquina (ML), como Perceptrons Multicamadas (MLPs), Redes Neurais Convolucionais (CNNs) e Redes Neurais Recorrentes (RNNs), tenham demonstrado desempenho superior aos métodos clássicos baseados em Volterra (por exemplo, Polinômios de Memória Generalizada, GMP), sua complexidade computacional e consumo de energia permanecem como barreiras para a implantação prática em links de fronthaul. Além disso, as Redes Kolmogorov-Arnold (KANs), que utilizam funções de ativação aprendíveis nas arestas em vez de funções fixas nos nós, mostraram-se promissoras para a equalização de banda base óptica e DPD de amplificadores de potência de RF, mas ainda não foram investigadas para DPD em sistemas A-RoF.

Metodologia
Os autores propõem o DPD-KAN, o primeiro modelo DPD baseado em KAN projetado especificamente para um link de fronthaul A-RoF 5G New Radio (NR). A configuração experimental envolve uma largura de banda de 100 MHz, uma forma de onda 5G NR 64-QAM upconverted para uma portadora de RF de 3,6 GHz. A transmissão óptica utiliza um VCSEL DML de 1550 nm sobre um link SSMF de 1 km, seguido de detecção fotoelétrica e captura via um osciloscópio de tempo real.

A arquitetura DPD-KAN emprega uma estrutura residual de caminho duplo:

1. Caminho Linear: Um mapeamento de identidade que encaminha o sinal não corrigido.
2. Caminho Não Linear KAN: Aprende a correção residual ($\Delta I, \Delta Q$). Diferente das MLPs, as KANs usam funções de ativação aprendíveis $\phi(x)$ nas arestas, definidas como uma combinação de um peso base, uma função SiLU e uma soma ponderada de funções de base B-spline.

O modelo processa um vetor de entrada tridimensional composto pelos componentes em fase (I) e quadratura (Q) do sinal de banda base e a potência de entrada de RF. Dada a extensão do link de 1 km, descobriu-se que os efeitos de memória da dispersão cromática eram negligenciáveis; portanto, uma arquitetura sem memória foi adotada para abordar impedimentos estáticos (não linearidade eletro-óptica do VCSEL e saturação do amplificador de driver). Os pesos do modelo são quantizados uniformemente para uma resolução de 8 bits durante a inferência.

Para validação, uma Arquitetura de Aprendizado Indireto (ILA) foi utilizada para treinar os modelos. Os autores compararam o proposto DPD-KAN contra uma MLP de linha de base (usando a mesma arquitetura residual) e um modelo GMP convencional. A complexidade foi medida em Operações de Bits (BOPs) para refletir com precisão o custo das redes quantizadas.

Principais Resultados
O estudo avalia o desempenho com base na Magnitude do Vetor de Erro (EVM), Razão de Vazamento de Canal Adjacente (ACLR) e Erro Quadrático Médio Normalizado (NMSE) através de variados níveis de potência de entrada de RF e níveis de complexidade (BOPs).

• Desempenho em Baixa Complexidade: Em aproximadamente $10^4$ BOPs, o DPD-KAN supera significativamente tanto a MLP quanto o GMP. Especificamente, em uma potência de entrada de RF de 5 dBm, o DPD-KAN alcança um EVM 24,2% menor que uma MLP de complexidade equivalente e um EVM 29,6% menor que um modelo GMP de maior complexidade ($10^5$ BOPs).
• Eficiência Espectral: Em uma potência de entrada de RF de 3 dBm, o modelo KAN de $10^4$ BOPs reduz o regrowth espectral em aproximadamente 5 dB comparado a uma MLP de $10^4$ BOPs e a um GMP de $10^5$ BOPs.
• Eficiência de Complexidade: Uma análise abrangente de 200 ensaios independentes revela que o DPD-KAN converge para o desempenho ideal em um custo computacional significativamente menor. Para atingir um limiar de EVM inferior a 2%, o DPD-KAN requer aproximadamente 52% menos BOPs do que a linha de base MLP (1,32 $\times$ $10^4$ BOPs para KAN vs. 2,75 $\times$ $10^4$ BOPs para MLP).
• Desempenho em Alta Complexidade: Em níveis de complexidade mais elevados ($10^5$ BOPs), o DPD-KAN atinge um EVM de 0,91%, um ACLR de -47,46 dBc e um NMSE de -40,81 dB, performando de forma comparável à MLP equivalente, mas com uma vantagem demonstrada em eficiência de convergência em baixas complexidades.

Significância e Alegações
O artigo afirma demonstrar a primeira aplicação de KANs para DPD em links de fronthaul A-RoF 5G, abordando um desafio fundamentalmente diferente das aplicações anteriores de KAN em equalização de banda base ou amplificadores de potência de RF isolados. A principal significância deste trabalho reside em provar que as KANs oferecem uma base não linear mais eficiente para os perfis de distorção de links A-RoF baseados em VCSEL em comparação com MLPs de ativação fixa e GMPs baseados em Volterra, particularmente sob restrições rigorosas de complexidade.

Os autores concluem que o DPD-KAN é uma arquitetura adequada para linearização de baixa complexidade em sistemas de fronthaul A-RoF 5G, oferecendo um caminho para implantar DPD baseado em ML eficaz em ambientes 5G com recursos limitados, sem o overhead proibitivo de potência e computação associado aos modelos tradicionais de aprendizado profundo.