[논문 리뷰] Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier

Dani Korpi, Mikko Honkala외 3명|arXiv (Cornell University)|2022. 01. 14.

Radio Frequency Integrated Circuit Design인용 수 6

한 줄 요약

이 논문은 비선형 전력증폭기(PA)로 인한 밴드 외부 방출을 최소화하면서 피LOT 없는 검출을 가능하게 하기 위해 전송 웨이브폼과 주파수 도메인 수신기를 동시에 학습하는 엔드 투 엔드 기계학습(ML)-최적화 무선 통신 시스템을 제안한다. 송신기에서 시간 도메인 컨볼루션 신경망(TX CNN)과 딥리시iever(DeepRx) 수신기를 학습함으로써, 기존 방법에 비해 더 낮은 비트 오류율(BER)과 최대 5 dB 낮은 ACLR를 달성하며, 6G를 위한 ML 네이티브 무선 인터페이스의 잠재력을 입증한다.

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.

연구 동기 및 목표

• 비선형 전력증폭기(PA)로 인한 밴드 외부 방출 문제를 해결하기 위해.
• 비균일한 상태변화도 모양과 깊은 수신기 아키텍처를 동시에 학습함으로써 피LOT 없는 신호 검출을 가능하게 하기 위해.
• 딥 러닝을 활용해 전체 전송 링크를 엔드 투 엔드로 최적화하여, 하드웨어 결함이 존재하는 환경에서도 스펙트럼 효율성과 내성 면을 향상시키기 위해.
• 비선형 PA 환경에서 학습된 웨이브폼이 인접 채널 누출 비율(ACLR)을 효과적으로 억제할 수 있음을 처음으로 입증하기 위해.

제안 방법

• 송신기는 OFDM 웨이브폼을 전력 증폭 전에 전처리하기 위해 시간 도메인 컨볼루션 신경망(TX CNN)을 활용하여 스펙트럼 재성장( spectral regrowth)을 줄이기 위해 신호를 형상화한다.
• 수신기는 피LOT 신호에 의존하지 않고 주파수 도메인에서 공동 채널 추정, 균형 조정, 기호 검출을 수행하는 DeepRx 아키텍처를 사용한다.
• 시스템은 비트 오류율(BER)과 인접 채널 누출 비율(ACLR)을 동시에 최소화하는 손실 함수를 사용해 엔드 투 엔드로 학습된다.
• 비선형 PA 행동은 기억이 없는 다항식 모델로 표현되며, 계수는 현실적인 포화 효과를 시뮬레이션하기 위해 설정된다.
• 상태변화도 모양은 학습 중에 공동 최적화되어, 맹검 검출을 돕는 비대칭적이고 비균일한 상태변화도를 형성한다.
• 성능 상호 관계 평가를 위해 다양한 PA 입력 백오프 수준에서 프레임워크가 평가된다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드로 학습된 웨이브폼과 수신기 시스템이 비선형 전력증폭기로 인한 밴드 외부 방출을 효과적으로 줄일 수 있는가?
• RQ2 학습된 상태변화도 모양이 비선형 왜곡이 존재하는 환경에서 정확한 피LOT 없는 검출을 어느 정도 가능하게 하는가?
• RQ3 송신기에 시간 도메인 CNN을 포함시킬 경우, PA 비선형성 하에서 스펙트럼 효율성과 오류율 사이의 트레이드오프에 어떤 영향을 미치는가?
• RQ4 심한 비선형 왜곡 하에서 기존 벤치마크(예: 지니-보조 LMMSE)를 능가할 수 있는가?

주요 결과

• TX CNN를 갖춘 제안된 시스템은 심한 비선형 왜곡(10 dB 입력 백오프) 조건에서도 기존 방법에 비해 5 dB 낮은 ACLR를 달성하여, 밴드 외부 방출 억제가 효과적임을 입증한다.
• 10 dB 입력 백오프 조건에서, 지니-보조 LMMSE 수신기(완벽한 채널 지식 보유)보다도 학습된 시스템이 더 낮은 BER을 기록하여, 엔드 투 엔드 학습 접근법의 내성 면을 강조한다.
• TX CNN가 없을 경우, 시스템은 밴드 외부 방출을 효과적으로 억제하지 못하며, 이는 ACLR 감소를 위한 시간 도메인 웨이브폼 형상화가 필수적임을 시사한다.
• 시스템은 맹검 검출을 가능하게 하는 비대칭적이고 비균일한 상태변화도를 학습하여 피LOT 기반 방법 대비 스펙트럼 효율성 향상을 이룬다.
• PA 비선형성이 감소할 경우(더 높은 백오프), TX CNN 버전은 방출 억제의 추가 복잡성으로 인해 약간의 BER 증가를 보이지만 여전히 훨씬 낮은 ACLR를 유지한다.
• 기존 시스템 대비 약 5 dB 더 낮은 입력 백오프로 목표 ACLR를 달성할 수 있어, 더 높은 송신 전력 또는 더 에너지 효율적인 PA 설계를 가능하게 한다.