論文の概要: MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers
- arxiv url: http://arxiv.org/abs/2404.15364v1
- Date: Thu, 18 Apr 2024 21:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-25 15:44:33.635056
- Title: MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers
- Title(参考訳): MP-DPD: 広帯域電力増幅器のエネルギー効率の良いディジタル予測のための低複雑混合精度ニューラルネットワーク
- Authors: Yizhuo Wu, Ang Li, Mohammadreza Beikmirza, Gagan Deep Singh, Qinyu Chen, Leo C. N. de Vreede, Morteza Alavi, Chang Gao,
- Abstract要約: Digital Pre-Distortion (DPD) は広帯域RFパワー増幅器(PA)の信号品質を向上させる
本稿では,エネルギー効率の DPD に対して,量子化された低精度固定点パラメータを用いたオープンソースの混合精度(MP)ニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 8.58564278168083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital Pre-Distortion (DPD) enhances signal quality in wideband RF power amplifiers (PAs). As signal bandwidths expand in modern radio systems, DPD's energy consumption increasingly impacts overall system efficiency. Deep Neural Networks (DNNs) offer promising advancements in DPD, yet their high complexity hinders their practical deployment. This paper introduces open-source mixed-precision (MP) neural networks that employ quantized low-precision fixed-point parameters for energy-efficient DPD. This approach reduces computational complexity and memory footprint, thereby lowering power consumption without compromising linearization efficacy. Applied to a 160MHz-BW 1024-QAM OFDM signal from a digital RF PA, MP-DPD gives no performance loss against 32-bit floating-point precision DPDs, while achieving -43.75 (L)/-45.27 (R) dBc in Adjacent Channel Power Ratio (ACPR) and -38.72 dB in Error Vector Magnitude (EVM). A 16-bit fixed-point-precision MP-DPD enables a 2.8X reduction in estimated inference power. The PyTorch learning and testing code is publicly available at \url{https://github.com/lab-emi/OpenDPD}.
- Abstract(参考訳): Digital Pre-Distortion (DPD)は広帯域RFパワー増幅器(PA)の信号品質を向上させる。
現代の無線システムにおける信号帯域幅の拡大に伴い、PDのエネルギー消費はシステム全体の効率にますます影響を及ぼす。
Deep Neural Networks(DNN)は、PDの有望な進歩を提供するが、その複雑さが高いため、実践的なデプロイメントを妨げている。
本稿では,エネルギー効率の DPD に対して,量子化低精度固定点パラメータを用いたオープンソースの混合精度(MP)ニューラルネットワークを提案する。
このアプローチは計算複雑性とメモリフットプリントを低減し、線形化効率を損なうことなく消費電力を低減させる。
デジタルRF PAの160MHz-BW 1024-QAM OFDM信号に適用すると、MP-DPDは32ビット浮動小数点精度のDPDに対して、アドジャセントチャネル電力比 (ACPR) の-43.75 (L)/-45.27 (R) dBcとエラーベクトルマグニチュード (EVM) の-38.72 dBを達成しながら、性能損失を生じない。
16ビットの固定点精度MP-DPDは推定推論パワーの2.8倍の低減を可能にする。
PyTorchの学習およびテストコードは、 \url{https://github.com/lab-emi/OpenDPD}で公開されている。
関連論文リスト
- Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。
本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。
我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-10-23T15:36:43Z) - DPD-NeuralEngine: A 22-nm 6.6-TOPS/W/mm$^2$ Recurrent Neural Network Accelerator for Wideband Power Amplifier Digital Pre-Distortion [9.404504586344107]
DPD-NeuralEngine は Gated Recurrent Unit (GRU) Neural Network (NN) に基づく超高速、小型、電力効率の DPD 加速器である。
22nmのCMOS実装は2GHzで動作し、最大250MSpsのI/Q信号を処理できる。
我々の知る限り、この研究はAIベースのDPDアプリケーション固有集積回路(ASIC)アクセラレーターとしては初めてのものである。
論文 参考訳(メタデータ) (2024-10-15T16:39:50Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳(メタデータ) (2024-04-17T02:04:10Z) - Broadband parametric amplification in DARTWARS [64.98268713737]
トラベリングウェーブパラメトリック増幅器(TWPA)は、マルチギガヘルツ増幅帯域のため、実用用途に特に適している可能性がある。
DARTWARSプロジェクトは、増幅の20ドルdBを達成できるKITWPAの開発を目指している。
測定の結果、KITWPAの長さ17,$mmの帯域幅で約9,dBの増幅が得られた。
論文 参考訳(メタデータ) (2024-02-19T10:57:37Z) - OpenDPD: An Open-Source End-to-End Learning & Benchmarking Framework for
Wideband Power Amplifier Modeling and Digital Pre-Distortion [2.6771785584103935]
デジタル事前歪み(DPD)のためのディープニューラルネットワーク(DNN)が注目されている。
本稿ではPyTorchで開発されたオープンソースフレームワークOpenDPDについて述べる。
本稿では,Dense Gated Recurrent Unit (DGRU)-DPDを導入する。
論文 参考訳(メタデータ) (2024-01-16T12:36:17Z) - Toward Energy-Efficient Massive MIMO: Graph Neural Network Precoding for
Mitigating Non-Linear PA Distortion [1.7495213911983414]
グラフニューラルネットワーク(GNN)は、チャネルとプリコーディング行列の間のマッピングを学習し、非線形歪みによる和率を最大化する。
歪み制限方式では、このGNNベースのプリコーダは、ゼロ強制(ZF)、ZF、デジタル事前歪み(DPD)および歪み対応ビームフォーミング(DAB)プリコーダよりも優れる。
論文 参考訳(メタデータ) (2023-12-05T13:25:35Z) - Readout of a quantum processor with high dynamic range Josephson
parametric amplifiers [132.67289832617647]
デバイスは、帯域幅250-300MHzの50ドルOmega$環境と一致し、入力飽和電力は最大で-95dBm、20dBゲインとなる。
54キュービットのSycamoreプロセッサがこれらのデバイスをベンチマークするために使用された。
設計は、システムノイズ、読み出しフィデリティ、およびクビットのデフォーカスに悪影響を及ぼさない。
論文 参考訳(メタデータ) (2022-09-16T07:34:05Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2021-10-21T08:58:59Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳(メタデータ) (2021-09-17T08:55:48Z) - End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
論文 参考訳(メタデータ) (2021-06-30T13:09:30Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。