OpenDPDv2: Framework Unificato per la Predistorsione Digitale delle Reti Neurali
OpenDPDv2, un framework open-source di nuova concezione, integra la modellazione dell'amplificatore di potenza (PA), l'apprendimento della predistorsione digitale basata su reti neurali (NN-DPD) e l'ottimizzazione mirata alla distribuzione. Presenta TRes-DeltaGRU, un design delta-RNN che incorpora un percorso residuo temporale leggero, che facilita prestazioni efficaci anche con elevata sparsità temporale e consente l'ottimizzazione congiunta con la quantizzazione a virgola fissa. Negli esperimenti condotti con un PA GaN Doherty a 3.5 GHz utilizzando un segnale OFDM TM3.1a 200 MHz 256-QAM, il modello FP32 ha registrato un rapporto di potenza del canale adiacente (ACPR) di -59.9 dBc e un errore di magnitudine del vettore (EVM) di -42.1 dB. Quando si impiega una sparsità temporale del 56% e una quantizzazione W12A12, il modello ha mantenuto un ACPR di -51.8 dBc con solo 450 parametri attivi. Il framework mira a ridurre la complessità del back-end digitale nei PA RF a banda larga, affrontando un ostacolo significativo nell'implementazione di NN-DPD.
Fatti principali
- OpenDPDv2 è un framework open-source end-to-end per NN-DPD.
- Unifica la modellazione PA, l'apprendimento NN-DPD e l'ottimizzazione orientata alla distribuzione.
- Introduce TRes-DeltaGRU, un'architettura delta-RNN con un percorso residuo temporale.
- Supporta l'ottimizzazione congiunta con la quantizzazione a virgola fissa.
- Testato su un PA GaN Doherty a 3.5 GHz con un segnale OFDM TM3.1a 200 MHz 256-QAM.
- Il modello FP32 raggiunge un ACPR di -59.9 dBc e un EVM di -42.1 dB.
- Con una sparsità temporale del 56% e una quantizzazione W12A12, utilizza 450 parametri attivi.
- Mantiene un ACPR di -51.8 dBc sotto quantizzazione e sparsità.
- Mira a ridurre la complessità del back-end digitale per PA RF a banda larga.
Entità
—