[論文レビュー] Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier

Dani Korpi, Mikko Honkala+3 more|arXiv (Cornell University)|Jan 14, 2022

Radio Frequency Integrated Circuit Design被引用数 6

ひとこと要約

本稿では、非線形パワー増幅器（PA）による不要帯域外放射を最小限に抑えるとともに、パイロットなし検出を可能にするエンドツーエンドの機械学習（ML）最適化無線通信システムを提案する。送信側で時間領域の畳み込みニューラルネットワーク（TX CNN）と受信側でDeepRx受信機を併用することで、従来手法と比較してビット誤り率（BER）が低く、ACLRが最大5 dB低減された。これは、6G向けのMLネイティブ空気インターフェースの可能性を示している。

ABSTRACT

Machine learning (ML) has shown great promise in optimizing various aspects of the physical layer processing in wireless communication systems. In this paper, we use ML to learn jointly the transmit waveform and the frequency-domain receiver. In particular, we consider a scenario where the transmitter power amplifier is operating in a nonlinear manner, and ML is used to optimize the waveform to minimize the out-of-band emissions. The system also learns a constellation shape that facilitates pilotless detection by the simultaneously learned receiver. The simulation results show that such an end-to-end optimized system can communicate data more accurately and with less out-of-band emissions than conventional systems, thereby demonstrating the potential of ML in optimizing the air interface. To the best of our knowledge, there are no prior works considering the power amplifier induced emissions in an end-to-end learned system. These findings pave the way towards an ML-native air interface, which could be one of the building blocks of 6G.

研究の動機と目的

• 非線形パワー増幅器が原因となる不要帯域外放射の課題に対処すること。
• 非一様なConstellation形状と深層受信機アーキテクチャを同時に学習することで、パイロットなし信号検出を可能にすること。
• 深層学習を用いて送信リンク全体をエンドツーエンド最適化し、ハードウェア制限下でもスペクトル効率と耐障害性を向上させること。
• 初めて、学習された波形が非線形PA環境下で隣接チャネル漏れ比（ACLR）を効果的に抑制できることを実証すること。

提案手法

• 送信側では、OFDM波形をパワー増幅器の前処理するために時間領域の畳み込みニューラルネットワーク（TX CNN）を採用し、スペクトル再成長を低減する信号形状を形成する。
• 受信側では、パイロット信号に依存せず、周波数領域で統合的なチャネル推定、等化、記号検出を実行するDeepRxアーキテクチャを採用する。
• ビット誤り率（BER）と隣接チャネル漏れ比（ACLR）を同時に最小化する損失関数を用いて、エンドツーエンドで学習を行う。
• 非線形PAの挙動を表すために、メモリレスな多項式モデルを用い、現実的な飽和効果を再現するように係数を設定する。
• トレーニング中にConstellation形状を同時に最適化することで、盲検出に役立つ非対称的かつ非一様なConstellationが学習される。
• PA入力バックオフレベルを変化させた条件下で評価し、線形性、スペクトル効率、誤り率のトレードオフを評価する。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドで学習された波形と受信機システムは、非線形パワー増幅器に起因する不要帯域外放射を効果的に低減できるか？
• RQ2 学習されたConstellation形状は、非線形歪みが存在する状況下でも、正確なパイロットなし検出をどの程度可能にするか？
• RQ3 送信側に時間領域のCNNを組み込むことで、PA非線形性下でのスペクトル効率と誤り率のトレードオフにどのような影響を与えるか？
• RQ4 重度の非線形歪み下でも、学習されたシステムは従来のベンチマーク（ジェイン・エイドLMMSEを含む）を上回る性能を示せるか？

主な発見

• TX CNNを備えた本手法は、10 dBの入力バックオフという重度の非線形歪み下でも、従来手法と比較してACLRが5 dB低減された。これは、不要帯域外放射抑制の有効性を示している。
• 10 dBの入力バックオフ下で、本手法は完全なチャネル情報が得られるジェイン・エイドLMMSE受信機よりも低いBERを達成した。これは、エンドツーエンド学習アプローチの耐障害性の高さを示している。
• TX CNNが存在しない場合、不要帯域外放射の抑制が不十分であることが判明した。これは、ACLR低減に時間領域波形形状最適化が不可欠であることを示している。
• 本システムは、盲検出を可能にする非対称的かつ非一様なConstellationを学習し、パイロットベース手法に比べてスペクトル効率の向上を達成した。
• PA非線形性が低減された場合（より高いバックオフ）、TX CNNを備えたバージョンでは誤り率がわずかに上昇する傾向を示したが、依然として著しく低いACLRを維持した。
• 本システムは、従来手法と比較して、約5 dBの入力バックオフ低減で所定のACLR目標を達成可能であり、より高い送信出力またはよりエネルギー効率の高いPA設計を可能にする。