論文の概要: OpenDPDv2: A Unified Learning and Optimization Framework for Neural Network Digital Predistortion
- arxiv url: http://arxiv.org/abs/2507.06849v1
- Date: Wed, 09 Jul 2025 13:54:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.603617
- Title: OpenDPDv2: A Unified Learning and Optimization Framework for Neural Network Digital Predistortion
- Title（参考訳）: OpenDPDv2: ニューラルネットワークによるディジタル予測のための統一学習と最適化フレームワーク
- Authors: Yizhuo Wu, Ang Li, Chang Gao,
- Abstract要約: 本稿では,PAモデリング,PD学習,モデル最適化のための統合フレームワークであるOpenDPDv2を提案する。
最適化手法は、2つのエネルギー効率の良い手法と共に、新しいDPDアルゴリズムであるTRes-DeltaGRUを特徴としている。
- 参考スコア（独自算出の注目度）: 10.484441707788127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network (NN)-based Digital Predistortion (DPD) stands out in improving signal quality in wideband radio frequency (RF) power amplifiers (PAs) employing complex modulation. However, NN DPDs usually rely on a large number of parameters for effective linearization and can significantly contribute to the energy consumption of the digital back-end in RF systems. This paper presents OpenDPDv2, a unified framework for PA modeling, DPD learning, and model optimization to reduce power consumption while maintaining high linearization performance. The optimization techniques feature a novel DPD algorithm, TRes-DeltaGRU, alongside two energy-efficient methods. The top-performing 32-bit floating-point (FP32) TRes-DeltaGRU-DPD model achieves an Adjacent Channel Power Ratio (ACPR) of -59.4 dBc and Error Vector Magnitude (EVM) of -42.1 dBc. By exploiting fixed-point quantization and dynamic temporal sparsity of input signals and hidden neurons, the inference energy of our model can be reduced by 4.5X while still maintaining -50.3 dBc ACPR and -35.2 dB EVM with 56% temporal sparsity. This was evaluated using a TM3.1a 200 MHz bandwidth 256-QAM OFDM signal applied to a 3.5 GHz GaN Doherty RF PA. OpenDPDv2 code, datasets, and documentation are publicly accessible at: https://github.com/lab-emi/OpenDPD.
- Abstract（参考訳）: ニューラルネットワーク(NN)ベースのDPD(Digital Predistortion)は、複雑な変調を用いた広帯域無線周波数(RF)パワーアンプ(PA)の信号品質の向上に際立っている。
しかし、NN DPDは通常、効率的な線形化のために多数のパラメータに依存しており、RFシステムにおけるディジタルバックエンドのエネルギー消費に大きく貢献する。
本稿では,PAモデリング,PD学習,モデル最適化のための統一的なフレームワークであるOpenDPDv2を提案する。
最適化手法は、2つのエネルギー効率の良い手法と共に、新しいPDアルゴリズムであるTRes-DeltaGRUを特徴としている。
トップパフォーマンス32ビット浮動小数点(FP32)のTRes-DeltaGRU-DPDモデルは、-59.4dBcのアジャセントチャネルパワー比(ACPR)、-42.1dBcのエラーベクトルマグニチュード(EVM)を達成する。
入力信号と隠れニューロンの固定点量子化と動的時間空間性を利用して,56%の時間空間性を持つ-50.3dBc ACPRと-35.2dB EVMを維持しながら,我々のモデルの推定エネルギーを4.5倍に低減することができる。
これは 3.5GHz GaN Doherty RF PA に適用した TM3.1a 200MHz 帯域 256-QAM OFDM 信号を用いて評価した。
OpenDPDv2コード、データセット、ドキュメントは、https://github.com/lab-emi/OpenDPDで公開されている。
関連論文リスト
- TCN-DPD: Parameter-Efficient Temporal Convolutional Networks for Wideband Digital Predistortion [3.6966254731864727]
TCN-DPDは時間畳み込みネットワークに基づくパラメータ効率の高いアーキテクチャである。
シミュレーションされたACPRは-51.58/-49.26 dBc (L/R)、EVMは-47.52 dB、NMSEは-44.61 dB、パラメータは500である。
従来のモデルよりも200パラメータまで優れた線形化を維持しており、効率的な広帯域PA線形化を約束している。
論文 参考訳（メタデータ） (2025-06-13T18:30:32Z) - DeltaDPD: Exploiting Dynamic Temporal Sparsity in Recurrent Neural Networks for Energy-Efficient Wideband Digital Predistortion [11.598016224384875]
広帯域RFパワーアンプ(PA)における信号品質向上手法として,DPD(Digital Predistortion)が一般的である。
本稿では,エネルギー効率の DPD を実現するため,RNN における入力信号と神経隠れ状態の動的時間的間隔について検討する DeltaDPD を紹介する。
論文 参考訳（メタデータ） (2025-04-29T10:07:52Z) - Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - 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) - MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers [8.58564278168083]
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。
論文 参考訳（メタデータ） (2024-04-18T21:04:39Z) - On Neural Architectures for Deep Learning-based Source Separation of
Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。
我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文 参考訳（メタデータ） (2023-03-11T16:29:13Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - 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。