特許 7580626 デジタル予歪システムおよび電力増幅器システムの深層学習ベースのオンライン適応

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-10-31

(45)【発行日】2024-11-11

(54)【発明の名称】デジタル予歪システムおよび電力増幅器システムの深層学習ベースのオンライン適応

(51)【国際特許分類】

   H03F 1/32 20060101AFI20241101BHJP

   H03F 1/02 20060101ALI20241101BHJP

   H03F 3/24 20060101ALI20241101BHJP

【ＦＩ】

H03F1/32 158

H03F1/02 188

H03F3/24

【請求項の数】 10

(21)【出願番号】P 2023554095

(86)(22)【出願日】2021-08-12

(65)【公表番号】

(43)【公表日】2023-12-01

(86)【国際出願番号】 JP2021030273

(87)【国際公開番号】W WO2022137642

(87)【国際公開日】2022-06-30

【審査請求日】2023-05-19

(31)【優先権主張番号】17/145,444

(32)【優先日】2021-01-11

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/129,824

(32)【優先日】2020-12-23

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】ベノスマン，モウハシン

(72)【発明者】

【氏名】マ，ルイ

(72)【発明者】

【氏名】カンタナ，チョアイブ

(72)【発明者】

【氏名】ウォーターズ，リチャード・シィ

【審査官】工藤 一光

(56)【参考文献】

【文献】特表２０２０－５３７８４７（ＪＰ，Ａ）

【文献】特表２０２０－５２６９９５（ＪＰ，Ａ）

【文献】特開２０１８－１４２７９８（ＪＰ，Ａ）

【文献】特開２０１３－２３９８８０（ＪＰ，Ａ）

【文献】特開２０１３－７４５９５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０３Ｆ１／００－３／７２

Ｈ０４Ｂ１／０４

(57)【特許請求の範囲】

【請求項1】

デジタルドハティ電力増幅器（ＤＤＰＡ）システムの性能を向上させるための自動調整制御装置であって、
入力端子および出力端子を含むインターフェイスを含み、前記インターフェイスは、前記ＤＤＰＡシステムのマルチ入力電力増幅器（ＰＡ）モジュールに含まれるＰＡの入力信号条件を取得するように構成され、前記自動調整制御装置はさらに、
デジタルドハティ増幅器（ＤＤＡ）制御装置、デジタル予歪（ＤＰＤ）制御装置、およびＤＤＡ－ＤＰＤニューラルネットワーク（ＮＮ）を実行および格納するプロセッサおよびメモリを含む訓練回路を含み、前記訓練回路は、
前記入力信号条件をサンプリングして、前記ＤＰＤ制御装置のための１組の多項式モデルからＤＰＤモデルを選択し、前記ＤＤＡ制御装置のための１組のＤＤＡ最適化変数を選択することと、
予め定められた最適化方法に基づいて前記ＤＰＤモデルおよび前記ＤＤＡ最適化変数のための最適化を行なうことによって最適化されたＤＰＤ係数および最適化されたＤＤＡ最適化変数を収集することと、
前記入力信号条件と前記最適化されたＤＰＤ係数および最適化されたＤＤＡ最適化変数との双方に基づいてオフラインで訓練されたものである、訓練されたＤＤＡ－ＤＰＤ ＮＮを使用してＤＤＡ最適係数およびＤＰＤ最適係数を生成することと、
前記インターフェイスの前記出力端子を介して、生成された前記ＤＤＡ最適係数およびＤＰＤ最適係数を更新することとを行なうように構成され、
前記ＤＤＡ最適化変数は、ピーク対平均電力比低減（ＰＡＰＲ）のしきい値、電力比、位相差、減衰差、前記ＰＡの主バイアス電圧、前記ＰＡのピークバイアス電圧を含み、
オフライン訓練は、アダム法、勾配降下法、または確率的勾配降下法によって行なわれ、
前記入力信号条件は、前記ＰＡの周波数、信号電力レベル、および信号変調フォーマットを少なくとも含み、
前記予め定められた最適化方法は、極値探索最適化、シミュレーテッド・アニーリング、ベイズ最適化、山登り法、遺伝進化、または最小二乗法である、自動調整制御装置。

【請求項2】

オフライン訓練は、前の最適化されたＤＰＤモデルおよびＤＤＡ係数に基づいて行なわれる、請求項１に記載の自動調整制御装置。

【請求項3】

前記ＤＤＡ－ＤＰＤニューラルネットワーク（ＮＮ）は、畳み込みニューラルネットワーク（ＣＮＮ）、ディープニューラルネットワーク（ＤＮＮ）、またはロバストＤＮＮである、請求項１に記載の自動調整制御装置。

【請求項4】

前記インターフェイスは、前記マルチ入力ＰＡモジュールにおける少なくとも２つの電力増幅器に接続するように構成される、請求項１に記載の自動調整制御装置。

【請求項5】

請求項１に記載の自動調整制御装置と、
制御入力と出力信号を生成するための出力とを有するドハティ電力増幅器（ＤＰＡ）回路とを含む、デジタルドハティ電力増幅器（ＤＤＰＡ）システム。

【請求項6】

前記ＤＤＡ最適化変数は、ピーク対平均電力比低減（ＰＡＰＲ）のしきい値、電力比、位相差、減衰差、前記ＰＡの主バイアス電圧、前記ＰＡのピークバイアス電圧を含む、請求項５に記載のＤＤＰＡシステム。

【請求項7】

オフライン訓練は、アダム法、勾配降下法、または確率的勾配降下法によって行なわれる、請求項５に記載のＤＤＰＡシステム。

【請求項8】

前記ＤＤＡ－ＤＰＤニューラルネットワーク（ＮＮ）は、畳み込みニューラルネットワーク（ＣＮＮ）、ディープニューラルネットワーク（ＤＮＮ）、またはロバストＤＮＮである、請求項５に記載のＤＤＰＡシステム。

【請求項9】

訓練された前記ＤＤＡ－ＤＰＤ ＮＮは、前記入力信号条件と前記最適化されたＤＰＤおよびＤＤＡ係数との双方に基づいて、オフラインで訓練されたものである、請求項５に記載のＤＤＰＡシステム。

【請求項10】

前記予め定められた最適化方法は、極値探索最適化、シミュレーテッド・アニーリング、ベイズ最適化、山登り法、遺伝進化、または最小二乗法である、請求項５に記載のＤＤＰＡシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は概して電力増幅器システムに関し、より特定的には、デジタルドハティ（Doherty）電力増幅器システムと、無線周波数電力増幅器の性能を高めるためのデジタル予歪（Digital Pre-Distortion：ＤＰＤ）システムおよび電力増幅器システムの学習ベースの自動調整最適化方法とに関する。

【背景技術】

【0002】

無線通信データ量およびレートの急増は、電力増幅器（power amplifier：ＰＡ）がエネルギー消費のための主な構成要素である無線送信機において電力消費を著しく増加させる。エンベロープトラッキング（Envelope Tracking：ＥＴ）、ドハティ電力増幅器（Doherty Power Amplifier：ＤＰＡ）、エンベロープ除去および回復（Envelop Elimination and Restoration：ＥＥＲ）を含むいくつかの先進技術が、ＰＡの電力付加効率（Power Added Efficiency：ＰＡＥ）を向上させるために提案されてきた。これらの技術のうち、ＤＰＡは、その単純な構造が、アクティブ負荷変調に基づく高い平均効率を可能にするため、非常に有望である。

【0003】

ＤＰＡは効率向上のための多くの利点を示すが、従来のアナログＤＰＡは、エネルギー効率および動作帯域幅に関して性能劣化をもたらす欠点を依然として抱えている。従来のＤＰＡ設計は、アナログ電力分割器（おそらく調整可能）、固定された位相整列、クラスＡＢモード上で実行されるキャリアＰＡおよびクラスＣモード上で実行されるピークＰＡ、ならびに出力電力結合器を含む、単一の入力構成に基づいている。ＤＰＡ効率を向上させるために、ゲートバイアス適応、非対称ＤＰＡ、マルチウェイＤＰＡ、調整可能位相整列、および適応電力分割比を含む、いくつかの方法が研究されている。

【0004】

最適なデジタル予歪（ＤＰＤ）性能およびＰＡ性能を得るために、設計者は回路動作パラメータを手動で調整する必要があり、調整プロセスは、入力電力、周波数、および信号規格などの固定された動作条件についてのみ有効である。実際のシナリオでは、最適制御パラメータは、変化する入力および回路状態に応じて変化する。補償回路部品も複雑で、最適化するのが難しく、ＤＰＡ設計を煩雑にする。これらはまさしく、純アナログベースの設計からの制限である。

【0005】

デジタルＤＰＡ（ＤＤＰＡ）などのよりフレキシブルなアーキテクチャが、さまざまな帯域幅、変調フォーマット、電力レベルおよび変調フォーマットのさまざまな回路状態および入力信号のための最適制御パラメータを適応的に見つける必要がある。さらに、この発明で、我々は、双方のシステムがそれらの性能を同調して向上させるように、ＤＰＤ性能の関数として、ＰＡの制御パラメータを自動調整するだけでなく、ＰＡの学習コスト関数を自動調整することを提案する。

【発明の概要】

【0006】

いくつかの実施形態は、デジタル電力増幅器（Digital Power Amplifier：ＤＰＡ）は、それが設計者のための回路調整手順（自動調整）を容易にして、複数経路についての位相遅延などの回路アンバランスと、温度および老朽化を含む環境変化とについて考慮することができるようにプログラム可能であるという認識に基づいている。したがって、ＤＰＡは、アナログＤＰＡと比較して、フレキシブルであるだけでなく、向上した性能を提供することができる。

【0007】

また、本発明のいくつかの実施形態は、電力増幅器システムの性能を向上させるための自動調整制御装置を提供する。自動調整制御装置は、入力端子および出力端子を含むインターフェイスを含み得る。インターフェイスは、電力増幅器（ＰＡ）の入力信号条件を取得するように構成される。自動調整制御装置はさらに、デジタルドハティ増幅器（Digital Doherty amplifier：ＤＤＡ）制御装置（モジュール）、ＤＰＤ制御装置（モジュール）、およびＤＤＡ－ＤＰＤニューラルネットワーク（neural network：ＮＮ）を実行および格納するプロセッサおよびメモリを含む訓練回路を含み得る。この場合、訓練回路は、入力信号条件をサンプリングして、ＤＰＤ制御装置のための１組の多項式モデルとＤＤＡ制御装置のための１組のＤＤＡ最適化変数とからＤＰＤモデルを選択することと、最適化されたＤＰＤモデルおよびＤＤＡ係数を使用することとを行なうように構成され、最適化されたＤＰＤモデルおよびＤＤＡ係数は、予め定められた最適化方法に基づいてＤＰＤモデルおよびＤＤＡ係数のためのオフライン最適化を行なうことによって提供され、訓練回路はさらに、最適化されたＤＰＤ係数および最適化されたＤＤＡ最適化変数を収集することと、訓練されたＤＤＡ－ＤＰＤ ＮＮを使用してＤＤＡ最適係数およびＤＰＤ最適係数をオンラインで生成することと、インターフェイスの出力端子を介して、生成されたＤＤＡ最適係数およびＤＰＤ最適係数を更新することとを行なうように構成される。

【0008】

本発明の実施形態によれば、ＤＰＡシステム、デジタルドハティ電力増幅器（Digital Doherty Power Amplifier：ＤＤＰＡ）システム、デジタル予歪（ＤＰＤ）、および学習ベースの自動調整方法（最適化方法）が提供され、それらは、ＤＰＤが同時に線形性要件を満たすために適応制御によってＰＡシステムとともに動作している間、効率およびゲインを特に向上させる。ＤＤＰＡシステムおよび最適化方法は、送信機の３Ｇ、４Ｇ ＬＴＥ、および５Ｇ基地局無線フロントエンドを含む広帯域移動通信のために使用され得る。

【0009】

さらに、本発明のいくつかの実施形態によれば、デジタルドハティ電力増幅器（ＤＤＰＡ）システムが提供される。ＤＤＰＡは、電力増幅器システムの性能を向上させるための自動調整制御装置を含み得る。この場合、自動調整制御装置は、入力端子および出力端子を含むインターフェイスを含み得る。インターフェイスは、電力増幅器（ＰＡ）の入力信号条件を取得するように構成される。自動調整制御装置はさらに、デジタルドハティ増幅器（ＤＤＡ）制御装置（モジュール）、ＤＰＤ制御装置（モジュール）、およびＤＤＡ－ＤＰＤニューラルネットワーク（ＮＮ）を実行および格納するプロセッサおよびメモリを含む訓練回路を含み得る。この場合、訓練回路は、入力信号条件をサンプリングして、ＤＰＤ制御装置のための１組の多項式モデルとＤＤＡ制御装置のための１組のＤＤＡ最適化変数とからＤＰＤモデルを選択することと、最適化されたＤＰＤモデルおよびＤＤＡ係数を使用することとを行なうように構成され、最適化されたＤＰＤモデルおよびＤＤＡ係数は、予め定められた最適化方法に基づいてＤＰＤモデルおよびＤＤＡ係数のためのオフライン最適化を行なうことによって提供され、訓練回路はさらに、最適化されたＤＰＤ係数および最適化されたＤＤＡ最適化変数を収集することと、訓練されたＤＤＡ－ＤＰＤ ＮＮを使用してＤＤＡ最適係数およびＤＰＤ最適係数をオンラインで生成することと、インターフェイスの出力端子を介して、生成されたＤＤＡ最適係数およびＤＰＤ最適係数を更新することとを行なうように構成され、ＤＤＰＡシステムはさらに、制御入力と出力信号を生成するための出力とを有するドハティ電力増幅器（ＤＰＡ）回路を含み得る。

【0010】

本発明のいくつかの実施形態は、デバイスパラメータ、環境変動にもかかわらず、複雑な工学調整なしで最適制御パラメータセットを十分に適応的に見つけるＤＰＤおよびデジタルドハティ増幅器（ＤＤＡ）システムを提供し、最適制御は、たとえば、広帯域電力送信機における高効率と妥当なゲインとを目指す。

【0011】

発明の一実施形態は、ＤＰＡデバイスについての仮定または予備的知識を有していないモデルなしアルゴリズムであり、当該アルゴリズムは、最適構成を探索するためにブラックボックス最適化に基づいている。最適構成は、ＤＰＤモデルの最適係数とＰＡ最適係数とからなる。この最適構成は、入力電力条件、周波数帯域幅、および信号変調などの異なる動作条件のために、オフラインで得られる。十分な最適データがオフラインで収集される場合、我々は、動作条件を最適ＤＰＤおよび／またはＤＰＡ構成にマッピングするディープニューラルネットワーク（deep neural network：ＤＮＮ）モデルを訓練することを提案する。

【0012】

いくつかの実施形態は、ＤＰＡ効率について最適化するだけでなく、ゲインおよび線形性性能をフレキシブルに向上させ、一方、学習コストにおける線形性特性項は、ＤＰＤ線形化性能に比例する。たとえば、いくつかの実施形態では、システムは、異なる周波数帯域においてゲインと効率とのトレードオフのバランスをとるか、または、ある制約下で効率を最大化することができる。一例は、構成されたしきい値よりも大きいゲインを必要としつつ、効率を最適化することである。変調信号の場合、我々は、同じＤＤＰＡシナリオの下で、隣接チャネル電力比（Adjacent Channel Power Ratio：ＡＣＰＲ）とともに、効率、ゲインを最適化する。ＡＣＰＲは、主チャネルから隣接チャネルへ放出された制限された電力を有するための変調信号のための重要な線形性指標である。

【0013】

本発明の実施形態によれば、デジタル電力増幅器（ＤＰＡ）システムは、制御入力と出力信号を生成するための出力とを有する電力増幅器（ＰＡ）回路と、適応制御回路とを含み、適応制御回路は、入力インターフェイスと、出力インターフェイスと、適応制御アルゴリズムを格納するメモリと、メモリに関連する適応制御アルゴリズムに基づいて命令を行なうプロセッサとから構成され、入力インターフェイスは入力状態信号とＰＡ回路の出力信号とを受信し、適応制御アルゴリズムは、入力状態信号および出力信号に応答して、ＰＡ回路の動作を制御するために出力インターフェイスから制御入力に送信された制御信号の制御パラメータを決定する。

【0014】

この発明のさらなる理解を提供するために含まれている添付図面は、この発明の実施形態を例示し、説明とともに、この発明の原理を解説するよう機能する。

【図面の簡単な説明】

【0015】

【図1】先行技術のデジタル電力増幅器（ＤＰＡ）を例示するブロック図である。

【図2】関連技術に従った、ＤＰＤ（デジタル予歪）プロセスを通して電力増幅器の線形性および効率を向上させる際の段階を例示する概略図である。

【図3A】関連技術に従った、ＰＡ自動調整のための新しいアルゴリズムの詳細なブロック図を例示する概略図である。

【図3B】本発明の実施形態に従った、デジタル電力増幅器（ＤＰＡ）のブロック図を例示する概略図である。

【図4A】本発明の実施形態に従った、ＤＰＤおよびＤＤＡのための共用制御モジュールを示すブロック図を例示する概略図である。

【図4B】本発明の実施形態に従った、ディープニューラルネットワークを使用するＤＰＤおよびＤＤＡのための共用制御モジュールの実現を示すブロック図を例示する概略図である。

【図4B-1】本発明の実施形態に従った、ＤＰＤおよびＤＤＡのためのＤＮＮ共用制御モジュールの実現を示すブロック図である。

【図4B-2】本発明の実施形態に従った、ＤＰＤモデルおよびＤＤＡ最適化係数の実現を示すブロック図である。

【図4C】本発明の実施形態に従った、ディープニューラルネットワークを使用するＤＰＤおよびＤＤＡのための共用制御モジュールの実現を示すブロック図である。

【図4C-1】本発明の実施形態に従った、ＤＰＤおよびＤＤＡのためのＤＮＮ共用制御モジュールの実現を示すブロック図である。

【図4D】本発明の実施形態に従った、入力信号条件の実現を示すブロック図である。

【図4E】本発明の実施形態に従った、ＤＤＡ ＤＮＮ制御モジュールおよびＤＰＤ ＤＮＮ制御モジュールのためのＤＮＮのいくつかの選択肢を示すブロック図である。

【図4F】本発明の実施形態に従った、ＤＤＡ ＤＮＮ制御モジュールおよびＤＰＤ ＤＮＮ制御モジュールのためのＤＮＮの他の選択肢を例示するブロック図である。

【図5】本発明の実施形態に従った、ＤＰＤ制御モジュールおよびＤＤＡ制御モジュールのための転移学習プロセスを示すブロック図である。

【発明を実施するための形態】

【0016】

本発明のさまざまな実施形態を、図面を参照して以下に説明する。なお、図面は縮尺通りには描かれておらず、同様の構造または機能の要素は図面全体を通して同じ参照番号で表わされる。また、図面は、この発明の特定の実施形態の説明を容易にするよう意図されているに過ぎない。図面は、この発明の網羅的な説明として、またはこの発明の範囲に対する限定として意図されていない。加えて、この発明のある特定の実施形態に関連して説明された局面は、必ずしもその実施形態に限定されず、この発明の任意の他の実施形態において実践され得る。

【0017】

図１は、本発明のいくつかの実施形態に従ったデジタル電力増幅器（ＤＰＡ）モジュール１００のブロック図である。ＤＰＡモジュール１００は、ドハティ電力増幅器、アウトフェージング電力増幅器、平衡型電力増幅器、およびプッシュプル電力増幅器などといったマルチ入力電力増幅器１２０によって構成されるデジタル電力増幅器（ＤＰＡ）モジュールであり得る。一例として、ドハティ電力増幅器が、ＤＰＡモジュールの機能を解説するためにデジタル電力増幅器（ＤＰＡ）モジュール１００において使用される。ＤＰＡモジュール１００は、ＤＤＰＡ（デジタルドハティ電力増幅器）モジュール１００と呼ばれ得る。しかしながら、回路設計のバリエーションに依存して、アウトフェージング電力増幅器回路、平衡型電力増幅器回路、またはプッシュプル電力増幅器回路も使用され得る。

【0018】

ＤＤＰＡモジュール１００は、ベースバンド処理モジュール１０１と、デジタルドハティ増幅器（ＤＤＡ）適応制御モジュール１０２と、振幅比－位相制御モジュール（振幅（Amp）－位相モジュール）１０３と、信号変換器１１０と、デュアル入力ＤＰＡモジュール（ＤＰＡモジュールであるがデュアル入力に限定されない）１２０と、ＤＤＡ適応制御モジュール１０２によって生成された最適制御パラメータ（または制御パラメータ）３１３に従ってバイアス条件（電圧および／または電流）をＤＰＡモジュール１２０に提供するための電力供給器１０４とを含み得る。ＤＰＡモジュール１２０は、主ＰＡ（キャリアＰＡ）１２１と、ピークＰＡ１２２と、出力結合器１２３とを含む。信号変換器１１０は、デジタルアナログ変換器（digital-to-analogue convertor：ＤＡＣ）１１１および１１２と、アップコンバータ１１３および１１４とを含む。

【0019】

デュアル入力ＤＰＡモジュール１２０は、キャリア信号を制御するためのキャリア電力増幅器（ＰＡ）１２１と、ピーク信号を制御するためのピーク電力増幅器（ＰＡ）１２２と、キャリアＰＡ１２１およびピークＰＡ１２２からの信号を結合させるための出力結合器１２３とを含む。デジタルドハティの構成は、３つ以上のＰＡが１００で説明された同様のトポロジと関連するマルチウェイドハティまで拡張され得ることが明らかである。

【0020】

ドハティ増幅器以外の電力増幅器がモジュール１００において使用される場合、ＤＤＡ適応制御モジュール１０２は、デジタル適応（digital adaptive：ＤＡ）制御モジュール１０２と呼ばれ得る。

【0021】

入力信号３０１は、ＤＡ適応制御モジュール１０２に送信される。ＤＡ適応制御モジュール１０２は、入力信号３０１とＤＰＡモジュール１２０からの出力信号３００とを使用して、データ駆動型最適化を行ない、ＰＡ１２１およびＰＡ１２２間の位相差θとＰＡ１２１およびＰＡ１２２のための入力電力比αとに関する最適制御パラメータ３１３を生成する。場合によっては、制御パラメータ３１３は、更新されたＤＤＰＡパラメータと呼ばれ得る。更新されたＤＤＰＡパラメータ３１３は、振幅－位相モジュール１０３に提供される。また、上述の最適化は、電力増幅器システムの学習ベースの自動調整方法と呼ばれ得る。

【0022】

この場合、制御パラメータ３１３は、ＰＡ１２１およびＰＡ１２２のゲートバイアスパラメータ（Ｖｇ１、Ｖｇ２）と、ＰＡ１２１およびＰＡ１２２間の位相差θと、ＰＡ１２１およびＰＡ１２２のための入力電力分配（比α）とを含む。また、電力供給器１０４は、ＤＤＡ適応制御モジュール１０２からゲートバイアスパラメータを受信し、ゲートバイアスパラメータ（Ｖｇ１、Ｖｇ２）に従ってゲートバイアス電圧をＰＡ１２１およびＰＡ１２２に印加する。振幅－位相モジュール１０３が、制御パラメータ３１３の一部として、ＰＡ１２１およびＰＡ１２２間の位相差と、ＰＡ１２１およびＰＡ１２２のための入力電力比とを、ＤＤＡ適応制御モジュール１０２から受信すると、振幅－位相モジュール１０３は、ＰＡ１２１およびＰＡ１２２にそれぞれ印加されるべき信号Ｓ１およびＳ２を生成する。この場合、信号Ｓ１およびＳ２は、信号Ｓ１およびＳ２の振幅比と、信号Ｓ１およびＳ２間の位相差とが、ＤＤＡ適応制御モジュール１０２によって計算された最適制御パラメータ３１３によって示された値を満たすように形成される。

【0023】

場合によっては、ＤＤＡ適応制御モジュール１０２は電力供給器１０４を含んでいてもよく、ＰＡ１２１およびＰＡ１２２は、窒化ガリウム（ＧａＮ）系材料または他の異なる半導体装置技術を使用して作製された電界効果トランジスタ（field-effect-transistor：ＦＥＴ）であってもよい。また、ＰＡ１２１およびＰＡ１２２は、バイポーラトランジスタ（bipolar transistor：ＢＰＴ）であってもよい。この場合、ゲートバイアスは、バイポーラトランジスタのベース電流バイアスと置き換えられる。ＢＰＴは、ＧａＮ系材料または他の異なる半導体装置技術によって形成され得る。

【0024】

出力結合器１２３の出力信号（たとえば、４分の１波長伝送線が出力結合ネットワークとして使用され得る。また、キャパシタベースの、集中素子インダクタなどの他のフォーマットも、同じ結合機能を行なうために使用され得る）は、アンテナ（図示せず）から予め定められたバンドパスフィルタ（図示せず）を介して送信され得る。また、出力結合器１２３の出力信号は、キャリアＰＡ１２１およびピークＰＡ１２２をそれぞれ制御する制御パラメータ３１３を計算するために、ＤＤＡ制御モジュール１０２の入力インターフェイス（図示せず）によって受信される（検出される）。場合によっては、制御パラメータ３１３は、調整パラメータと呼ばれ得る。

【0025】

キャリアＰＡ１２１およびピークＰＡ１２２の各々は、ゲートバイアスと位相と入力信号電力とを示す制御パラメータ３１３によって制御され得る。位相信号および入力電力信号は、振幅－位相モジュール１０３に印加される。振幅－位相モジュール１０３は、ＤＤＡ適応制御モジュール１０２によって生成された制御パラメータ３１３に従って、キャリアＰＡ１２１およびピークＰＡ１２２の信号の振幅比と位相とを調節する。

【0026】

この場合、信号変換器１１０は、位相信号および入力電力信号を生成し、必要であればキャリアＰＡ１２１およびピークＰＡ１２２を駆動する駆動増幅器（図示せず）を介して、キャリアＰＡ１２１およびピークＰＡ１２２に提供する。

【0027】

ＤＤＡ適応制御モジュール１０２は、適応制御アルゴリズムを格納する１つ以上のメモリ（図示せず）に関連するプロセッサ（図示せず）を含み、プロセッサは、予め定められた適応制御アルゴリズムに従って命令を実行する。また、適応制御アルゴリズムは、適応調整制御と呼ばれるモデルなし最適化に基づいている。

【0028】

制御パラメータ３１３は、適応最適化制御によって制御パラメータ３１３の値を計算するＤＤＡ適応制御モジュール１０２によって生成される。場合によっては、制御パラメータ３１３は、データ駆動型最適化パラメータと呼ばれ得る。

【0029】

さらに、ＤＤＡ適応制御モジュール１０２はまた、入力信号３０１とデュアル入力ＤＰＡモジュール１２０の出力信号３００とを受信するための入力インターフェイス（図示せず）と、デュアル入力ＤＰＡモジュール１２０とキャリアＰＡ１２１およびピークＰＡ１２２とを制御するための位相制御信号、電力比制御信号、およびバイアス信号を含む制御パラメータ３１３を生成する出力インターフェイス（図示せず）とを含む。

【0030】

ＤＤＡ適応制御モジュール１０２は、ベースバンド処理モジュール１０１からベースバンド信号を受信し、入力インターフェイスを介して出力結合器１２３の出力信号３００を検出して、データ駆動型最適化パラメータ３１３と呼ばれ得る制御パラメータ３１３を、適応制御アルゴリズムに基づいて生成する。この場合、データ駆動型最適化パラメータ３１３の一部は、ＰＡ１２１およびＰＡ１２２の位相および電力比を制御するために、出力インターフェイスを介して振幅－位相制御モジュール１０３に提供される。また、データ駆動型最適化パラメータ３１３の別の一部は、ＰＡ１２１およびＰＡ１２２のゲートバイアスを制御するために、電力供給器１０４を介してＰＡ１２１およびＰＡ１２２にそれぞれ供給されるゲートバイアスに変換される。

【0031】

図１では、ＤＤＰＡモジュール１００は、それが設計者のための回路調整手順を容易にして、複数経路についての回路アンバランスおよび欠点について十分に考慮することができるようにプログラム可能である。したがって、ＤＤＰＡモジュール１００は、アナログＤＰＡと比較して、フレキシブルで低コストであるだけでなく、よりよい性能を提供する。本発明の一実施形態に従った設計は、制御ポートがアルゴリズムを通して最適性能に到達するよう適応され得るように、ソフトウェアによって設計された原理から利益を得る。

【0032】

ＲＦ電力増幅器をより効率的にすることは、それを、その飽和点近くの点まで駆動することを意味する。そのような場合、変調波形は歪みがちである（ＡＣＰＲ（隣接チャネル電力比によって特徴付けられる非線形性を招く）。このため、設計目標は、高ゲインおよび良好な線形性（ＡＣＰＲ）を維持しつつ、電力付加効率（ＰＡＥ）を最大化することである。場合によっては、デジタル線形性は、デジタル予歪（ＤＰＤ）を通して達成され得る。

【0033】

図２は、ＤＰＤ（デジタル予歪）プロセス２０１および効率向上プロセス２０２をそれぞれ通してＰＡ１２１およびＰＡ１２２の線形性および効率を向上させる際の段階を示す。これらのプロセスでは、ステップ２０１で入力信号のデジタル予歪が行なわれ、ステップ２０２で効率向上が行なわれ、ステップ２０３で、デジタル予歪（ＤＰＤ）および効率向上を通したプロセスによって取得された入力信号がＰＡ１２１およびＰＡ１２２に提供される。

【0034】

図３Ａは、入力信号（入力状態信号）３０１が異なる状態を含む入力状態として使用される、ＰＡ自動調整のための我々のアルゴリズムの詳細なブロック図を示す。当該異なる状態は、周波数および入力電力レベルを示すものの、これら２つの状態に限定されず、信号変調フォーマットといった他の状態も含まれ得る。周波数および入力信号電力レベルを示す入力状態信号３０１は、ＤＤＡ適応制御モジュール１０２に送り込まれ、入力信号３０１とデュアル入力ＤＰＡモジュール１２０の出力信号３００とを使用することによって、ゲートバイアス３０３、主増幅器とピーク増幅器との間の位相差３０４、および入力電力分配３０５といったＤＤＰＡモジュール１２０の制御パラメータ３１３を適応的に調整する。最後に、調整されたパラメータは、デュアル入力ＤＰＡモジュール１２０に送り込まれる。

【0035】

回路設計のバリエーションに従って、ＤＰＡモジュール１２０は、３つまたは４つ以上の電力増幅器（ＰＡ）を含み得る。たとえば、図３Ｂを参照されたい。そのような場合、ＤＤＡ適応制御モジュール１０２は、３つまたは４つ以上の電力増幅器の各々について制御パラメータ３１３を提供する。

【0036】

図３Ｂは、本発明の実施形態に従った、ＤＰＡモジュールの自動調整プロセスを行なうマルチ入力デジタル電力増幅器モジュール（たとえば、デジタルドハティ電力増幅器（ＤＤＰＡ）システム）３５０を例示するブロック図である。

【0037】

図では、部品の機能が図１での機能と同様である場合、当該部品について、図１における同じ部品番号が使用される。また、同じ部品番号についての説明は省略される。

【0038】

マルチ入力デジタル電力増幅器モジュール３５０は、ベースバンド処理モジュール１０１と、ＤＤＡ適応制御モジュール（自動調整制御装置）３５１と、振幅比／位相制御モジュール１０３と、信号変換器１１０と、マルチ入力ＰＡモジュール１２０とを含む。この場合、信号変換器１１０は、デジタルアナログ変換器（ＤＡＣ）１１１、１１２および１１２ｎと、アップコンバータ１１３、１１４および１１４ｎとを含む。

【0039】

ＤＤＡ適応制御モジュール３５１は、ＤＰＤおよびＤＤＡのための共用制御モジュールと呼ばれ得る。たとえば、構成または機能が図４Ａ～図５に基づいて以下に説明される。

【0040】

ＤＤＡ適応制御モジュール３５１は、適応制御装置３５２と、深層学習ベースのオンラインＤＰＤ３５３と、図面に示されていない部品とを含む。たとえば、自動調整制御装置３５１は、訓練回路と、入力端子および出力端子を含むインターフェイスとを含む。インターフェイスは、ベースバンド処理モジュール１０１から信号３０１を取得し、電力増幅器（ＰＡ）１２０から信号条件３００を取得し、最適制御パラメータ（最適制御パラメータ信号）３１３を送信するように構成される。

【0041】

訓練回路は、デジタルドハティ増幅器（ＤＤＡ）制御装置（モジュール）、ＤＰＤ制御装置（モジュール）、およびＤＤＡ－ＤＰＤニューラルネットワーク（ＮＮ）を実行および格納するためのプロセッサおよびメモリを含む。訓練回路は、入力信号条件をサンプリングして、ＤＰＤ制御装置のための１組の多項式モデルとＤＤＡ制御装置のための１組のＤＤＡ最適化変数とからＤＰＤモデルを選択することと、最適化されたＤＰＤモデルおよびＤＤＡ係数を使用することとを行なうように構成される。この場合、最適化されたＤＰＤモデルおよびＤＤＡ係数は、予め定められた最適化方法に基づいてＤＰＤモデルおよびＤＤＡ係数のためのオフライン最適化を行なうことによって提供される。訓練回路はさらに、最適化されたＤＰＤ係数および最適化されたＤＤＡ最適化変数を収集することと、訓練されたＤＤＡ－ＤＰＤ ＮＮを使用してＤＤＡ最適係数およびＤＰＤ最適係数をオンラインで生成することと、インターフェイスの出力端子を介して、生成されたＤＤＡ最適係数およびＤＰＤ最適係数を更新することとを行なうように構成される。

【0042】

マルチ入力ＰＡモジュール１２０は、キャリア信号を制御するためのキャリア電力増幅器（ＰＡ）１２１と、ピーク信号を制御するためのピーク電力増幅器（ＰＡ）１２２と、第２のピーク信号を制御するための第２のピーク電力増幅器（ＰＡ）１２２ｎと、ＰＡ１２１、１２２および１２２ｎからの信号を結合させるための出力結合器１２３とを含む。この場合、信号変換器１１０は、３つまたは４つ以上のＤＡＣと３つまたは４つ以上のアップコンバータとを含み、マルチ入力ＰＡモジュール１２０は、３つまたは４つ以上の電力増幅器１２１、１２２および１２２ｎを含む。

【0043】

ＤＤＡ適応制御モジュール３５１は、入力信号３０１とマルチ入力ＰＡモジュール１２０の出力信号３００とを使用して、更新されたＤＰＡパラメータ３１３を生成し、更新されたＤＰＡパラメータ３１３を振幅－位相モジュール１０３に提供する。次に、振幅－位相モジュール１０３は、信号変換が、ＰＡ１２１、ＰＡ１２２およびＰＡ１２２ｎにそれぞれ印加されるべきＳ１、Ｓ２およびＳｎを生成するように、信号を信号変換器１１０に提供する。

【0044】

上述のように、最適制御パラメータ３１３は、適応制御モジュール３５１を使用して計算される。最適制御パラメータに関する詳細な説明は以下に提供される。

【0045】

図４Ａでは、この発明の一実施形態４５０は、最適係数をＤＤＡ制御モジュール４０５とＤＰＤ制御モジュール４０１とに送信する、ＤＰＤおよびＤＤＡのための共用制御モジュール４１０の設計である。この発明のいくつかの実施形態で、我々は、共用制御モジュール４１０が以下のように実現されることを提案する。図４Ｂでは、所与の入力信号条件４１００のために、ＤＤＡ－ＤＰＤディープニューラルネットワーク（ＤＮＮ）４１０１は、ＤＤＡに送信されるであろうＤＤＡ最適係数４１０３と、ＤＰＤモデルに送信されるであろうＤＰＤ最適係数４１０２とをオンラインで生成する。

【0046】

図４Ｂ－１でのように、ＤＤＡ－ＤＰＤ ＤＮＮ４１０１は、オフラインで訓練される（４１０１４）必要がある。訓練プロセスは以下のステップに従う。まず、入力信号条件４１００は、図４Ｄでのように、異なる周波数４１００１、電力信号４１００２、信号変調フォーマット４１００３、その他４１００４からサンプリングされ、次に、ＤＰＤのモデルが選択され、ＤＤＡのための１組の最適化変数が選択される（４１０１１）。図４Ｂ－２でのように、ＤＰＤモデルを選択することができ（４１０１１２）、一実施形態では、ＤＤＡ係数が、異なるサイズ４１０１１４を有する１組の多項式モデルから選ばれ、別の実施形態では、非線形三角法モデルまたは他の非線形性が選択され（４１０１１５）、さらに別の実施形態では、ディープニューラルネットワークモデルがＤＰＤモデルとして選択される（４１０１１６）。ＤＤＡのための１組の最適化変数は、ＰＡＰＲ（peak to average power ratio：ピーク対平均電力比）低減のしきい値４１０１２０、電力比４１０１２１、位相差４１０１１７、減衰差、電力増幅器の主バイアス電圧４１０１１８、電力増幅器のピークバイアス電圧４１０１１９などといった係数の中から選択される（４１０１１）。ＤＰＤおよびＤＤＡのこの最適化は、極値探索最適化４１０１５、シミュレーテッド・アニーリング４１０１６、ベイズ最適化４１０１７、山登り法４１０１８、最小二乗４１０１９、その他４１０２９を使用して行なわれ得る。この最適化がいったん行なわれると、我々はＤＤＡおよびＤＰＤ最適係数４１０１３を収集し、次に、これらの係数は、ＤＤＡ－ＤＰＤ ＤＮＮ４１０１４をオフラインで訓練するために入力信号条件４１００とともに使用される。この訓練段階では、ＤＤＡ－ＤＰＤ ＤＮＮ４１０１４の入力が入力信号条件４１００であり、ＤＤＡ－ＤＰＤ ＤＮＮ４１０１４の出力がＤＤＡおよびＤＰＤ最適係数４１０１３である。このＤＤＮの訓練は、任意のＤＤＮ訓練方法によって行なわれ得る。たとえば、いくつかの実施形態では、我々は、アダム法、または勾配降下法、または確率的勾配降下法などを使用することができる。ＤＤＮ４１０１４の訓練が収束した場合、我々は、任意の新しい入力信号条件４１００のためのＤＤＡおよびＤＰＤ最適係数を生成するためにオンラインで使用されるべきＤＤＡ－ＤＤＰ ＤＮＮを取得する。

【0047】

図４Ｃでは、別の実施形態として、共用制御モジュール４１０は以下のように実現され得る。所与の入力信号条件４１００のために、ＤＤＡ ＤＮＮ４１２１およびＤＰＤ ＤＮＮ４１３１という２つのＤＤＮが取得される。ＤＤＡ ＤＮＮ４１２１は、ＤＤＡに送信されるであろうＤＤＡ最適係数４１０３をオンラインで生成する。ＤＰＤ ＤＮＮ４１３１は、ＤＰＤに送信されるであろうＤＰＤ最適係数４１０２をオンラインで生成する。

【0048】

図４Ｃ－１でのように、２つの別個のＤＤＡ ＤＮＮ４１０２およびＤＰＤ ＤＮＮ４１０３は、オフラインで訓練される（４１２１１、４１３１１）必要がある。訓練プロセスは以下のステップに従う。

【0049】

まず、入力信号条件は、異なる周波数、電力信号、信号変調フォーマット、その他からサンプリングされ（４１０１１１）、次に、ＤＰＤのモデルが選択され、ＤＤＡのための１組の最適化変数が選択される（４１０１１）。一実施形態では、異なるサイズ４１０１１４を有する１組の多項式モデルからＤＰＤモデルを選択することができ（４１０１２２）（４１０１１２）、別の実施形態では、非線形三角法モデルまたは他の非線形性が選択され（４１０１１５）、さらに別の実施形態では、ディープニューラルネットワークモデルがＤＰＤモデルとして選択される（４１０１１６）。ＤＤＡのための１組の最適化変数は、ＰＡＰＲ低減のしきい値４１０１２０、電力比４１０１２１、位相差４１０１１７、減衰差、電力増幅器の主バイアス電圧４１０１１８、電力増幅器のピークバイアス電圧４１０１１９などといった係数の中から選択される（４１０１１３）。次に、ＤＤＡおよびＤＰＤのオフライン最適化が行なわれる（４１０１２）。ＤＰＤおよびＤＤＡのこの最適化は、極値探索最適化４１０１５、シミュレーテッド・アニーリング４１０１６、ベイズ最適化４１０１７、山登り法４１０１８、最小二乗４１０１９、その他４１０２９を使用して行なわれ得る。この最適化がいったん行なわれると、我々はＤＤＡおよびＤＰＤ最適係数４１０１３を収集し、次に、これらの係数は、ＤＤＡ ＤＮＮ４１２１１、およびＤＰＤ ＤＮＮ ４１３１１をオフラインで訓練するために入力信号条件４１００とともに使用される。ＤＤＡ ＤＮＮの訓練については、ＤＮＮ入力が入力信号条件４１００であり、ＤＤＡ ＤＮＮ４１２１１の出力がＤＤＡ最適係数４１０３である。ＤＰＤ ＤＮＮの訓練については、ＤＮＮ入力が入力信号条件４１０１１１であり、ＤＰＤ ＤＮＮ４１３１１の出力がＤＰＤ最適係数４１０２である。これらのＤＤＮの訓練は、任意のＤＤＮ訓練方法によって行なわれ得る。たとえば、いくつかの実施形態では、我々は、アダム法、または勾配降下法、または確率的勾配降下法、ロバストＤＮＮ訓練などを使用することができる。ＤＤＡ ＤＤＮ４１２１１の訓練が収束した場合、我々は、任意の新しい入力信号条件４１０１１１のためのＤＤＡ最適係数を生成するためにオンラインで使用されるべきＤＤＡ ＤＮＮを取得する。ＤＰＤ ＤＤＮ４１３１１の訓練が収束した場合、我々は、任意の新しい入力信号条件４１００のためのＤＰＤ最適係数を生成するためにオンラインで使用されるべきＤＰＤ ＤＮＮを取得する。

【0050】

図４Ｅ～４Ｆでのように、この発明の異なる実施形態では、我々は、異なるタイプのＤＮＮ４１０１、４１２１、４１３１を使用することができる。たとえば、完全接続ＤＮＮ４１０１１、畳み込みニューラルネットワーク（convolutional neural network：ＣＮＮ）４１０１２、残差ネットワーク（ResNet）４１０１３、再帰型ニューラルネットワーク（recurrent neural network：ＲＮＮ））４１０１４、その他４１０１５である。

【0051】

図５は、本発明の実施形態に従った、ＤＰＤ制御モジュールおよびＤＤＡ制御モジュールのための転移学習プロセスを示すブロック図である。

【0052】

本発明のいくつかの実施形態では、転移学習手順が、あるユニット５００から別のユニット５０１、５１００へ行なわれる。たとえば、転移学習のそのような実現化例の一実施形態では、我々は、所与のユニット１ ５００から開始することを提案し、次に、所与の入力条件４１００のために、我々は対応するＤＤＡおよびＤＰＤ最適係数４１０１３をオフラインで計算し、それらは次に、ユニット１ ５００に関連付けられた対応するＤＮＮをオフラインで訓練する（４１０１４）ために使用される。次に、次のユニット２ ５０１について、ユニット１の入力条件と同様であるかまたは異なっている所与の入力条件４１００のために、我々は、ＤＤＡおよびＤＰＤ最適係数４１０１３をオフラインで計算し、それらは次に、ユニット２に対応するＤＮＮのオフライン訓練５２１のために使用される。転移学習のための秘訣は、ユニット２のためのＤＮＮの訓練５１０をウォームスタートするために、ユニット１のためのＤＮＮのための最適係数Opt_coeff_1を使用することである。次に、別のユニットＮ ５１００について、我々は同様の訓練を進め、我々は、ユニットＮ－１ ５１００のためのＤＮＮの最適係数を使用して、新しいＤＮＮの訓練を開始する。

【0053】

ユニット間のこの転移学習はまた、ＤＮＮ係数の一部を、前のユニットについて得られたそれらの最適値に固定し、新しいユニットに関連付けられた新しいＤＮＮを、ＤＮＮの係数の一部のみを訓練することにより再訓練することによって具体化され得る。

【0054】

さらに別の転移学習実施形態は、新しいユニットごとに追加層を用いてＤＮＮを拡張し、追加層の係数のみを学習し、他の層の係数を前のユニットについて得られた最適係数と等しく保ちながら、ＤＮＮを再訓練することによって行なわれ得る。

【0055】

本発明の上述の実施形態は、多くのやり方のうちのいずれかで実現され得る。たとえば、実施形態は、ハードウェア、ソフトウェア、またはそれらの組合せを使用して実現されてもよい。ソフトウェアで実現される場合、ソフトウェアコードが、任意の好適なプロセッサまたはプロセッサの集合上で、当該プロセッサが単一のコンピュータにおいて提供されようと複数のコンピュータ中に分散されようと、実行され得る。そのようなプロセッサは、集積回路コンポーネント内に１つ以上のプロセッサを有する集積回路として実現されてもよい。しかしながら、プロセッサは、任意の好適なフォーマットの回路を使用して実現されてもよい。

【0056】

また、この発明の実施形態は、その例が提供された方法として具現化されてもよい。当該方法の一部として実行される動作は、任意の好適なやり方で順序付けられてもよい。したがって、例示的な実施形態では連続的な動作として示されていても、動作が例示とは異なる順序で実行される実施形態が構築されてもよい。この場合、いくつかの動作を同時に実行することも含まれていてもよい。

【0057】

請求項要素を修飾するための、請求項における「第１」、「第２」などの序数用語の使用は、それ自体、ある請求項要素の、別の請求項要素に対する優先順位、優位性、または順序、あるいは、方法の動作が行なわれる時間的順序を何ら暗示しておらず、単に、ある名前を有するある請求項要素を、（序数用語の使用を除き）同じ名前を有する別の要素から区別するために、これらの請求項要素を区別するラベルとして使用されているに過ぎない。

【0058】

この発明を、好ましい実施形態の例を介して説明してきたが、この発明の精神および範囲内で他のさまざまな適応および変更が実施可能であることが理解されるはずである。

【0059】

したがって、添付された請求項の目的は、この発明の真の精神および範囲内に収まるようにそのようなすべての変形および変更を網羅することである。

【図1】

【図2】

【図3A】

【図3B】

【図4A】

【図4B】

【図4B-1】

【図4B-2】

【図4C】

【図4C-1】

【図4D】

【図4E】

【図4F】

【図5】