⚡ electrical engineering

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

本文介绍了 Kolmogorov-Arnold 网络（KANs）在 5G 模拟光纤无线传输（Radio-over-Fiber）系统数字预失真中的首次应用，证明了 KANs 在达到性能目标时，相比于多层感知器（MLPs）和 Volterra 模型，能够实现显著更低的误差向量幅度（EVM），且所需的位运算次数大幅减少。

原作者： Bilal Khalid, Fabio Cavaliere, Luca Giorgi, Pedro Freire, Sergei K. Turitsyn, Jaroslaw E. Prilepsky

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Bilal Khalid, Fabio Cavaliere, Luca Giorgi, Pedro Freire, Sergei K. Turitsyn, Jaroslaw E. Prilepsky

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过光纤将一部高清电影发送到基站。在理想世界中，信号会完美传输。但在现实世界中，发送光的设备（激光器）和光纤本身就像一个“脾气暴躁的老头”，会扭曲你的信息。激光器会变得疲惫，从而挤压信号中的高分贝部分，而光纤则会使细节变得模糊。这被称为信号失真，在 5G 世界中，这会导致你的网速变慢或视频出现像素化。

为了解决这个问题，工程师们使用了一种叫做数字预失真 (DPD) 的技术。你可以把它看作是一个“预先修正”的步骤。在信号到达那个脾气暴躁的激光器之前，计算机程序会故意以与激光器产生失真完全相反的方式来弄乱信号。这样，当激光器最终造成失真时，这两个误差就会相互抵消，使信号完美地抵达。

问题所在：“沉重”的修复者

长期以来，工程师们一直使用两种主要的“修复”程序来进行这项工作：

传统方法 (GMP)： 就像一本死板的、预先写好的规则手册。它很不错，但无法很好地适应新的、奇特的失真。
现代方法 (MLP)： 就像一个通过例子学习的灵活学生。它非常擅长修复错误，但它也非常“重”。它需要大量的计算能力（就像运行超级计算机一样）来驱动，这会消耗过多的电量并产生过多的热量，对于小型基站来说负担太重。

新的解决方案：“聪明的艺术家” (KAN)

这篇论文介绍了一种新型的修复器，称为 DPD-KAN（Kolmogorov-Arnold 网络）。

如果说现代方法 (MLP) 是一个死记硬背事实的学生，那么 KAN 就是一位大师级的艺术家。

工作原理： 传统的网络拥有固定的“画笔”（激活函数）必须使用来绘画。KAN 则不同；它们可以在学习过程中发明自己的画笔。它们可以拉伸、扭转和塑造自己的工具，以完美匹配激光器的特定失真。
结果： 因为它们在学习正确形状方面非常高效，所以不需要那么多“画笔”或那么多计算能力就能完成任务。

论文的研究发现

研究人员在模拟 5G 系统中，将这位新出现的“艺术家”与“学生”（MLP）和“规则手册”（GMP）进行了对比测试。以下是实验结果：

更少的投入，更好的质量： 在相同的计算能力下，KAN 对信号的修复效果比其他方法都要好得多。它将“像素化”（以误差向量幅度 EVM 来衡量）降低了约 24%（优于学生）和 30%（优于规则手册）。
“减半”的成就： 这是最大的胜利。为了将信号质量降低到完美的标准（误差低于 2%），KAN 所需的计算能力比学生 (MLP) 少了 52%。
- 类比： 想象你需要打扫一个乱七八糟的房间。学生需要一台巨大的工业吸尘器和 100 加仑的水；而 KAN 艺术家可以用一台手持吸尘器和一杯水完成完全相同的工作。
现实世界的契合度： 由于 5G 基站（尤其是使用模拟光纤的基站）需要体积小、散热好且节能，这种“轻量级”的修复器非常完美。它在解决失真问题的同时，不会导致设备过热。

总结

论文证明了对于 5G 模拟光纤系统，这种全新的 KAN 技术是一种更聪明、更轻量且更高效的信号清理方式。它在实现相同（或更好）结果的同时，使用的计算能量大约只有现有方法的一半，这使其成为未来无线网络中一个非常有前景的工具。

技术摘要：用于 5G 模拟 RoF 系统的 DPD-KAN

问题陈述
无线电射频传输（RoF）是分布式无线信号在密集 5G 及未来 6 6G 网络中的关键技术。虽然数字 RoF（D-RoF）能确保高信号保真度，但它会为密集的远程无线电单元（RRU）部署带来显著的带宽开销和功耗挑战。模拟 RoF（A-RoF）提供了一种更高效的替代方案，具有更低的延迟和复杂度；然而，A-RoF 链路极易受到信号退化的影响。在利用直接调制激光器（DML）的系统中，由于激光饱和、削波、强度依赖型频率啁啾以及标准单模光纤（SSMF）中的啁啾-色散相互作用，会产生性能损伤。

数字预失真（DPD）是减轻这些非线性效应的标准技术。虽然机器学习（ML）模型（如多层感知器 MLP、卷积神经网络 CNN 和循环神经网络 RNN）已展现出优于经典 Volterra 类方法（如广义记忆多项式 GMP）的性能，但其计算复杂度和功耗仍是实际部署到前传链路中的障碍。此外，Kolmogorov-Arnold 网络（KAN）通过在边上使用可学习激活函数而非在节点上使用固定函数，已在光基带均衡和射频功率放大器 DPD 领域展现出潜力，但尚未在 A-RoF 系统中的 DPD 应用中得到研究。

方法论
作者提出了 DPD-KAN，这是首个专门为 5G 新空口（NR）A-RoF 前传链路设计的基于 KAN 的 DPD 模型。实验设置涉及 100 MHz 带宽、64-QAM 5G NR 波形，并上变频至 3.6 GHz 射频载波。光传输采用 1550 nm VCSEL DML 经过 1 km SSMF 链路，随后通过实时示波器进行光电检测与捕获。

DPD-KAN 架构采用了双路径残差结构：

线性路径： 一个将未校正信号转发的恒等映射。
非线性 KAN 路径： 学习残差校正（ $\Delta I, \Delta Q$ ）。与 MLP 不同，KAN 在边上使用可学习的激活函数 $\phi(x)$ ，该函数由基权重、SiLU 函数和 B-样条基函数的加权和组成。

该模型处理一个三维输入向量，包括基带信号的同相（I）分量、正交（Q）分量以及射频输入功率。鉴于 1 km 的链路长度，研究发现来自色散的记忆效应可以忽略不计；因此，采用了无记忆架构来解决静态损伤（VCSEL 电光非线性和驱动放大器饱和）。模型权重在推理过程中被均匀量化为 8 位分辨率。

为了验证，研究采用了间接学习架构（ILA）来训练模型。作者将提出的 DPD-KAN 与基准 MLP（使用相同的残差架构）以及传统的 GMP 模型进行了对比。复杂度通过位运算（BOPs）进行衡量，以准确反映量化网络的成本。

关键结果
研究根据误差矢量幅度（EVM）、相邻信道泄漏比（ACLR）和归一化均方误差（NMSE）在不同射频输入功率和复杂度水平（BOPs）下的表现进行评估。

低复杂度下的性能： 在约 $10^4$ BOPs 时，DPD-KAN 的表现显著优于 MLP 和 GMP。具体而言，在射频输入功率为 5 dBm 时，DPD-KAN 的 EVM 比同等复杂度的 MLP 低 24.2%，比更高复杂度（ $10^5$ BOPs）的 GMP 模型低 29.6%。
频谱效率： 在 3 dBm 射频输入功率下， $10^4$ BOPs 的 KAN 模型相比 $10^4$ BOPs 的 MLP 和 $10^5$ BOPs 的 GMP 模型，减少了约 5 dB 的频谱再生。
复杂度效率： 通过对 200 次独立试验的全面分析显示，DPD-KAN 在显著更低的计算成本下收敛至最优性能。为了达到小于 2% 的 EVM 阈值，DPK-KAN 所需的 BOPs 仅为 MLP 基准的 约 52%（KAN 为 1.32 $\times$ $10^4$ BOPs，而 MLP 为 2.75 $\times$ $10^4$ BOPs）。
高复杂度性能： 在较高复杂度水平（ $10^5$ BOPs）下，DPD-KAN 实现了 0.91% 的 EVM、-47.46 dBc 的 ACLR 以及 -40.81 dB 的 NMSE，其性能与等效 MLP 相当，但在较低复杂度下的收敛效率方面表现出明显优势。

意义与主张
本文声称展示了首次将 KAN 应用于 5G A-RoF 前传链路中的 DPD，解决了与以往 KAN 在基带均衡或独立射频功率放大器应用中本质不同的挑战。这项工作的核心意义在于证明，与固定的激活函数 MLP 和基于 Volterra 的 GMP 相比，KAN 为基于 VCSEL 的 A-RoF 链路的失真剖面提供了更高效的非线性基函数，尤其是在严格的复杂度约束下。

作者得出结论，DPD-KAN 是用于低复杂度线性化前传 A-RoF 系统的合适架构，为在资源受限的 5G 环境中部署有效的基于机器学习的 DPD 提供了一条途径，且不会产生传统深度学习模型所带来的高昂功耗和计算开销。

问题所在：“沉重”的修复者

新的解决方案：“聪明的艺术家” (KAN)

论文的研究发现

总结

技术摘要：用于 5G 模拟 RoF 系统的 DPD-KAN

类似论文