知財求人 - 知財ポータルサイト「IP Force」
特表2024-520936ハイブリッド基底関数ベースのアクチュエータ及びニューラルネットワークを備えたデジタル予歪
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-05-27
(54)【発明の名称】ハイブリッド基底関数ベースのアクチュエータ及びニューラルネットワークを備えたデジタル予歪
(51)【国際特許分類】
H03F 1/32 20060101AFI20240520BHJP
H03F 3/24 20060101ALI20240520BHJP
H04B 1/04 20060101ALI20240520BHJP
H04L 27/01 20060101ALI20240520BHJP
【ＦＩ】
H03F1/32 141
H03F3/24
H04B1/04 R
H04L27/01
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023570019
(86)(22)【出願日】2022-05-09
(85)【翻訳文提出日】2024-01-10
(86)【国際出願番号】 US2022028294
(87)【国際公開番号】W WO2022240732
(87)【国際公開日】2022-11-17
(31)【優先権主張番号】63/187,536
(32)【優先日】2021-05-12
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】17/732,764
(32)【優先日】2022-04-29
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】520490417
【氏名又は名称】アナログ ディヴァイスィズ インク
(74)【代理人】
【識別番号】100108453
【弁理士】
【氏名又は名称】村山 靖彦
(74)【代理人】
【識別番号】100110364
【弁理士】
【氏名又は名称】実広 信哉
(74)【代理人】
【識別番号】100133400
【弁理士】
【氏名又は名称】阿部 達彦
(72)【発明者】
【氏名】タオ・ユ
(72)【発明者】
【氏名】クリストバル・アレッサンドリ
(72)【発明者】
【氏名】ウェンジエ・ル
【テーマコード（参考）】
5J500
5K060
【Ｆターム（参考）】
5J500AA01
5J500AA41
5J500AC02
5J500AC12
5J500AC22
5J500AF08
5J500AF17
5J500AH09
5J500AK15
5J500AK26
5J500AK32
5J500AK33
5J500AK34
5J500AK41
5J500AK53
5J500AK55
5J500AM13
5J500AS14
5J500AT01
5J500AT07
5J500NC04
5J500ND02
5J500NF08
5J500NF10
5J500NG03
5J500NG06
5J500NN05
5K060BB07
5K060CC04
5K060KK06
5K060LL24
(57)【要約】
ハイブリッド基底関数、ニューラルネットワークベースのデジタル予歪（ＤＰＤ）に関連するシステム、デバイス、及び方法が提供される。無線周波数（ＲＦ）トランシーバ用の例示的な装置は、ＲＦトランシーバの非線形コンポーネントに関連付けられた入力信号を受信し、予歪された信号を出力するためのデジタル予歪（ＤＰＤ）アクチュエータを含む。ＤＰＤアクチュエータは、非線形コンポーネントの第１の非線形特性に関連付けられた一組の基底関数を使用して、第１のＤＰＤ動作を実行するための基底関数ベースのアクチュエータを含む。ＤＰＤアクチュエータは、非線形コンポーネントの第２の非線形特性に関連付けられた第１のニューラルネットワークを使用して、第２のＤＰＤ動作を実行するためのニューラルネットワークベースのアクチュエータを更に含む。予歪された信号は、基底関数ベースのアクチュエータの第１の出力信号及びニューラルネットワークベースのアクチュエータの第２の出力信号に基づいている。
【特許請求の範囲】
【請求項1】
無線周波数（ＲＦ）トランシーバ用の装置であって、前記装置が、前記ＲＦトランシーバの非線形コンポーネントに関連付けられた入力信号を受信し、予歪された信号を出力するためのデジタル予歪（ＤＰＤ）アクチュエータを備え、前記ＤＰＤアクチュエータが、
前記非線形コンポーネントの第１の非線形特性に関連付けられた一組の基底関数を使用して第１のＤＰＤ動作を実行するための基底関数ベースのアクチュエータと、
前記非線形コンポーネントの第２の非線形特性と関連付けられた第１のニューラルネットワークを使用して第２のＤＰＤ動作を実行するためのニューラルネットワークベースのアクチュエータと、を備え、
前記予歪された信号が、前記基底関数ベースのアクチュエータの第１の出力信号及び前記ニューラルネットワークベースのアクチュエータの第２の出力信号に基づいている、装置。
【請求項2】
前記基底関数ベースのアクチュエータが、前記入力信号又は前記一組の基底関数を使用して、前記非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、前記第１の出力信号を生成することによって、前記第１のＤＰＤ動作を実行する、請求項１に記載の装置。
【請求項3】
前記ニューラルネットワークベースのアクチュエータが、前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号に基づいて、前記基底関数ベースのアクチュエータのパラメータを更新することによって、前記第２のＤＰＤ動作を実行し、
前記基底関数ベースのアクチュエータが、更に、
前記更新されたパラメータを更に使用して、前記第１の出力信号を生成することによって、前記第１のＤＰＤ動作を実行する、請求項２に記載の装置。
【請求項4】
前記基底関数ベースのアクチュエータが、前記一組の基底関数を使用して、前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号を処理して、前記第１の出力信号を生成することによって、前記第１のＤＰＤ動作を実行する、請求項１に記載の装置。
【請求項5】
前記ニューラルネットワークベースのアクチュエータが、前記入力信号又は前記第１のニューラルネットワークを使用して、前記非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、前記第２の出力信号を生成することによって、前記第２のＤＰＤ動作を実行する、請求項１に記載の装置。
【請求項6】
前記ニューラルネットワークベースのアクチュエータが、前記第１のニューラルネットワークを使用して、前記基底関数ベースのアクチュエータの前記第１の出力信号を処理して、前記第２の出力信号を生成することによって、前記第２のＤＰＤ動作を実行する、請求項１に記載の装置。
【請求項7】
前記ＤＰＤアクチュエータが、前記基底関数ベースのアクチュエータの前記第１の出力信号を、前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号と組み合わせて、前記予歪された信号を生成するためのコンバイナを更に備える、請求項１に記載の装置。
【請求項8】
前記コンバイナが、前記入力信号を、前記基底関数ベースのアクチュエータの前記第１の出力信号及び前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号と更に組み合わせて、前記予歪された信号を生成する、請求項７に記載の装置。
【請求項9】
前記コンバイナが、前記基底関数ベースのアクチュエータの前記第１の出力信号を、前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号と組み合わせる前に、前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号に変換動作を更に適用する、請求項７に記載の装置。
【請求項10】
前記ＤＰＤアクチュエータが、前記第１のニューラルネットワークとは異なる第２のニューラルネットワークを使用して、前記入力信号又は前記ニューラルネットワークベースのアクチュエータの前記第２の出力信号のうちの少なくとも１つを処理して、第３の出力信号を生成することと、
前記第３の出力信号を、前記基底関数ベースのアクチュエータの前記第１の出力信号と組み合わせて、前記予歪された信号を生成することと、を行うためのコンバイナを更に備える、請求項１に記載の装置。
【請求項11】
無線周波数（ＲＦ）トランシーバ用の装置であって、前記装置が、前記ＲＦトランシーバの非線形コンポーネントに関連付けられた入力信号にデジタル予歪（ＤＰＤ）を実行するためのＤＰＤアクチュエータを備え、前記ＤＰＤアクチュエータが、
一組の基底関数及びＤＰＤ係数に基づいて、前記入力信号を処理して、第１の出力信号を生成するための第１のアクチュエータと、
１つ以上のニューラルネットワークを使用して、前記入力信号又は前記非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、第２の出力信号を生成するための第２のアクチュエータと、
前記第１の出力信号及び前記第２の出力信号に基づいて、予歪された信号を生成するためのコンバイナと、を備え、
前記一組の基底関数、前記ＤＰＤ係数、及び前記１つ以上のニューラルネットワークが各々、前記非線形コンポーネントの１つ以上の非線形特性に関連付けられている、装置。
【請求項12】
前記第２のアクチュエータが、前記フィードバック信号の利用可能性に基づいて、前記１つ以上のニューラルネットワークのうちの第１のニューラルネットワークと第２のニューラルネットワークとの間で選択する、請求項１１に記載の装置。
【請求項13】
前記第２のアクチュエータが、前記第１のニューラルネットワークを使用することによって、前記第２の出力信号を生成して、前記入力信号及び前記フィードバック信号を処理し、前記第１のニューラルネットワークを使用することが、前記フィードバック信号の前記利用可能性に基づいている、請求項１２に記載の装置。
【請求項14】
前記第２のアクチュエータが、前記第２のニューラルネットワークを使用することによって、前記第２の出力信号を生成して、前記入力信号を処理し、前記第２のニューラルネットワークを使用することが、前記フィードバック信号の利用可能性の欠如に基づいている、請求項１２に記載の装置。
【請求項15】
前記第２のアクチュエータが、前記第１のニューラルネットワーク又は前記第２のニューラルネットワークのうちの前記選択された１つを使用することによって、前記第２の出力信号を生成して、
前記入力信号又は前記フィードバック信号のうちの前記少なくとも１つと、
前記第１のニューラルネットワーク又は前記第２のニューラルネットワークのうちの少なくとも１つに関連付けられた以前の状態情報と、を処理し、
前記第２の出力信号に基づいて、前記第１のニューラルネットワーク又は前記第２のニューラルネットワークのうちの少なくとも１つに関連付けられた状態情報を更新する、請求項１２に記載の装置。
【請求項16】
前記１つ以上のニューラルネットワークに関連付けられたパラメータを記憶するためのメモリと、ニューラルネットワーク固有の動作を実行するためのニューラルネットプロセッサと、を更に備え、
前記第２のアクチュエータが、前記ニューラルネットプロセッサ及び前記記憶されたパラメータを使用することによって、前記入力信号又は前記フィードバック信号のうちの前記少なくとも１つを処理する、請求項１１に記載の装置。
【請求項17】
非線形コンポーネントに対する入力信号を予歪するためにデジタル予歪（ＤＰＤ）を実行するための方法であって、前記方法が、第１のアクチュエータ回路を使用して、一組の基底関数、ＤＰＤ係数、及び前記入力信号又は前記非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つに基づいて、第１の信号を生成することであって、前記一組の基底関数及び前記ＤＰＤ係数が、前記非線形コンポーネントの第１の非線形特性に関連付けられている、生成することと、
第２のアクチュエータ回路を使用して、ニューラルネットワーク及び前記入力信号又は前記フィードバック信号のうちの少なくとも１つに基づいて、第２の信号を生成することであって、前記ニューラルネットワークが、前記非線形コンポーネントの第２の非線形特性に関連付けられている、生成することと、
前記第１の信号及び前記第２の信号に基づいて、予歪された信号を生成することと、を含む、方法。
【請求項18】
前記第１の信号を前記生成することが、前記一組の基底関数及び前記ＤＰＤ係数を、前記入力信号又は前記フィードバック信号のうちの少なくとも１つに適用することを含み、前記第２の信号を前記生成することが、前記ニューラルネットワークを、前記入力信号又は前記フィードバック信号のうちの少なくとも１つに適用することを含む、請求項１７に記載の方法。
【請求項19】
前記予歪された信号を前記生成することが、前記第１のアクチュエータ回路によって生成された前記第１の信号と、前記第２のアクチュエータ回路によって生成された前記第２の信号と、を組み合わせることを含む、請求項１８に記載の方法。
【請求項20】
前記ニューラルネットワークが、推定ニューラルネットワークモデル及び予測ニューラルネットワークモデルを含み、前記第２の信号を前記生成することが、
前記フィードバック信号が有効であるかどうかに基づいて、前記推定ニューラルネットワークモデル又は前記予測ニューラルネットワークモデルの間で選択することと、
前記フィードバック信号が有効であることに応答して、前記推定ニューラルネットワークモデルを、前記入力信号及び前記フィードバック信号に適用することと、
前記フィードバック信号が無効であることに応答して、前記予測ニューラルネットワークモデルを、前記入力信号に適用することと、を含む、請求項１７に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
本出願は、２０２１年５月１２日に出願された「ＤＩＧＩＴＡＬ ＰＲＥＤＩＳＴＯＲＴＩＯＮ ＦＯＲ ＰＯＷＥＲ ＡＭＰＬＩＦＩＥＲ ＬＩＮＥＡＲＩＺＡＴＩＯＮ ＵＳＩＮＧ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫＳ」と題された米国仮特許出願第６３／１８７，５３６号、及び２０２２年４月２９日に出願された「ＤＩＧＩＴＡＬ ＰＲＥＤＩＳＴＯＲＴＩＯＮ ＷＩＴＨ ＨＹＢＲＩＤ ＢＡＳＩＳ－ＦＵＮＣＴＩＯＮ－ＢＡＳＥＤ ＡＣＴＵＡＴＯＲ ＡＮＤ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫ」と題された米国非仮特許出願第１７／７３２，７６４号の優先権及び利益を主張し、以下に完全に記載されているように、及び全ての適用可能な目的のために、参照によりそれらの全体が本明細書に組み込まれる。
本出願は、２０２１年５月１２日に出願された「ＤＩＧＩＴＡＬ ＰＲＥＤＩＳＴＯＲＴＩＯＮ ＦＯＲ ＰＯＷＥＲ ＡＭＰＬＩＦＩＥＲ ＬＩＮＥＡＲＩＺＡＴＩＯＮ ＵＳＩＮＧ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫＳ」と題された米国仮特許出願第６３／１８７，５３６号、及び２０２２年４月２９日に出願された「ＤＩＧＩＴＡＬ ＰＲＥＤＩＳＴＯＲＴＩＯＮ ＷＩＴＨ ＨＹＢＲＩＤ ＢＡＳＩＳ－ＦＵＮＣＴＩＯＮ－ＢＡＳＥＤ ＡＣＴＵＡＴＯＲ ＡＮＤ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫ」と題された米国非仮特許出願第１７／７３２，７６４号の優先権及び利益を主張し、以下に完全に記載されているように、及び全ての適用可能な目的のために、参照によりそれらの全体が本明細書に組み込まれる。
【0002】
本開示は、概して、電子機器に関し、より具体的には、ハイブリッド基底関数ベースのアクチュエータ及びニューラルネットワークを備えたデジタル予歪（ｄｉｇｉｔａｌ ｐｒｅｄｉｓｔｏｒｔｉｏｎ、ＤＰＤ）に関する。
【背景技術】
【0003】
無線周波数（Ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ、ＲＦ）システムは、ほぼ３キロヘルツ（ｋＨｚ）～３００ギガヘルツ（ＧＨｚ）のＲＦ範囲の電磁波の形態で信号を送受信するシステムである。ＲＦシステムは、普通、無線通信に使用され、セルラー／無線モバイル技術が顕著な例であるが、ケーブルテレビなどのケーブル通信にも使用される場合がある。これらの種のシステムの両方で、その中の様々なコンポーネントの線形性が重要な役割を果たす。
【0004】
ＲＦコンポーネント又はＲＦトランシーバなどのシステムの線形性は、理論的には理解しやすい。すなわち、線形性は、概して、入力信号に直接比例する出力信号を提供するためのコンポーネント又はシステムの能力を指す。言い換えれば、コンポーネント又はシステムが完全に線形である場合、入力信号に対する出力信号の比率の関係は直線である。実際のコンポーネント及びシステムでこの挙動を達成することは、はるかに複雑であり、線形性に対する多くの課題は、多くの場合、効率及び／又は出力電力などのいくつかの他のパフォーマンスパラメータを犠牲にして解決されなければならない。
【0005】
本質的に非線形であり、比較的高い電力レベルで動作しなければならない半導体材料から作られた電力増幅器（ｐｏｗｅｒ ａｍｐｌｉｆｉｅｒ、ＰＡ）は、通常、線形性の観点からＲＦシステムの設計を考慮するときに分析する最初のコンポーネントである。非線形歪みを伴うＰＡ出力は、低減された変調精度（例えば、低減された誤差ベクトル振幅（ｅｒｒｏｒ ｖｅｃｔｏｒ ｍａｇｎｉｔｕｄｅ、ＥＶＭ））及び／又は帯域外エミッションをもたらし得る。したがって、無線ＲＦシステム（例えば、ロングタームエボリューション（Ｌｏｎｇ－Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ、ＬＴＥ）及びミリ波又は第５世代（５ｔｈ ｇｅｎｅｒａｔｉｏｎ、５Ｇ）システム）並びにケーブルＲＦシステムの両方は、ＰＡ線形性に関して厳格な仕様を有する。
【0006】
ＤＰＤを適用して、ＰＡの線形性を高めることができる。典型的には、ＤＰＤは、デジタルドメインにおいて、ＰＡに入力として提供される信号に予歪を適用して、ＰＡによって引き起こされると予想される歪みを低減及び／又はキャンセルすることを伴う。予歪は、ＰＡモデルによって特徴付けることができる。ＰＡモデルは、ＰＡからのフィードバックに基づいて（すなわち、ＰＡの出力に基づいて）更新することができる。ＰＡモデルが、ＰＡが導入する歪みを予測する点でより正確であるほど、ＰＡへの入力の予歪が、増幅器によって引き起こされる歪みの影響を低減する点でより効果的である。
【発明の概要】
【課題を解決するための手段】
【0007】
様々な要因が、ＤＰＤのコスト、品質、堅牢性に影響を与える可能性があるため、ＲＦシステムでＤＰＤを実行することは容易な仕事ではない。空間／表面積及びまた規制などの物理的制約は、ＤＰＤの要件又は仕様に更なる制約をもたらす可能性がある。最先端のＲＦシステムで使用されるサンプリングレートが絶えず増加するため、ＤＰＤは特に困難になっており、したがって、ＤＰＤの設計においてトレードオフ及び創意工夫を必要とする。
【0008】
本開示並びにその特徴及び利点のより完全な理解を提供するために、添付の図と併せて以下の説明を参照し、ここで、同様の参照番号は同様の部分を表す。
【図面の簡単な説明】
【0009】
【図1】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのデジタル予歪（ＤＰＤ）が実装され得る例示的な無線周波数（ＲＦ）トランシーバの概略ブロック図を提供する。
【図2】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤブロックのための例示的な配置の概略例解図を提供する。
【図3】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤブロックのための例示的な配置の概略例解図を提供する。
【図4】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置の概略例解図を提供する。
【図5】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置の概略例解図を提供する。
【図6】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのためのオフライン訓練及びオンライン作動のためのスキームの例解図を提供する。
【図7】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置の概略例解図を提供する。
【図8】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるコンバイナのための例示的な配置の概略例解図を提供する。
【図9】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるコンバイナのための例示的な配置の概略例解図を提供する。
【図10】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるコンバイナのための例示的な配置の概略例解図を提供する。
【図11】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおける例示的なＰＡ状態推定及び予測実装の概略例解図を提供する。
【図12】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるニューラルネットワークベースのアクチュエータのための例示的なハードウェアアーキテクチャの概略例解図を提供する。
【図13】本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤを実行するための方法を例解するフロー図を提供する。
【発明を実施するための形態】
【0010】
＜概要＞
本開示のシステム、方法、及びデバイスは各々、いくつかの革新的な実施形態を有し、そのうちの単独の１つが、本明細書に開示された所望される属性の全てに単独で責任を負うものではない。本明細書で説明される主題の１つ以上の実装の詳細は、以下の説明及び添付の図面に記載されている。
本開示のシステム、方法、及びデバイスは各々、いくつかの革新的な実施形態を有し、そのうちの単独の１つが、本明細書に開示された所望される属性の全てに単独で責任を負うものではない。本明細書で説明される主題の１つ以上の実装の詳細は、以下の説明及び添付の図面に記載されている。
【0011】
本明細書で提案される、ニューラルネットワークを使用したＤＰＤを例解する目的で、最初に、ＲＦシステムにおいて起こり得る現象を理解することが有用であると考えられる。以下の基本的な情報は、本開示が適切に説明され得る根拠として見ることができる。このような情報は、説明のみを目的として提供されるものであり、そのため、本開示の広義の範囲及びその潜在的な応用を制限するものとして多少なりとも解釈されるべきではない。
【0012】
上記のように、ＰＡは通常、線形性の観点からＲＦシステムの設計を考慮するときに分析する最初のコンポーネントである。無線及びケーブルＲＦシステムには、線形で効率的なＰＡを有することが不可欠である。線形性はまた、低ノイズ増幅器などの小信号増幅器にとっても重要であるが、そのような増幅器は、典型的には、比較的高いレベルの出力電力を生成する必要があり、したがって、非線形挙動をもはや無視することができない特定の動作条件に特に陥りやすいため、線形性の課題は、ＰＡにとって特に顕著である。一方で、増幅器を形成するために使用される半導体材料の非線形挙動は、増幅器が高電力レベルの信号（一般に「飽和状態で動作する」と呼ばれる動作条件）で動作するときに悪化する傾向があり、出力信号の非線形歪みの量が増加し、これは非常に望ましくない。一方で、比較的高い電力レベルで動作する（すなわち、飽和状態で動作する）増幅器はまた、典型的には、それらの最高効率で機能し、これは非常に望ましい。結果として、線形性及び効率（又は電力レベル）は、多くの場合、これらのパラメータのうちの１つの観点からの改善は、他のパラメータが最適でないことを犠牲にして生じるという点で、許容可能なトレードオフが見出されなければならない２つのパフォーマンスパラメータである。その目的のために、「バックオフ」という用語が、望ましい出力線形性を実現するために入力電力（すなわち、増幅される増幅器に提供される信号の電力）をどの程度減らすべきかの度合いを説明するために当技術分野で使用される（例えば、バックオフは、最大電力をもたらす入力電力と、望ましい線形性をもたらす入力電力との比として測定され得る）。このため、入力電力を低減することは、線形性の点では改善をもたらし得るが、増幅器の効率を低下させる結果となる。
【0013】
また、上記のように、ＤＰＤは、増幅器によって引き起こされる歪みを低減及び／又はキャンセルするために、ＰＡへの入力を予歪することができる。高レベルにおいて、この機能を実現するために、ＤＰＤは、ＰＡが入力信号にどのように影響を与え得るかのモデルを形成することを含み、このモデルは、増幅器によって引き起こされる入力信号の歪みを低減及び／又はキャンセルする試みにおいて、入力信号に適用されるフィルタの係数（「ＤＰＤ係数」と呼ばれるそのような係数）を定義する。このようにして、ＤＰＤは、増幅器に提供される入力信号に対応する修正を適用することによって、送信される信号に望ましくない非線形修正を適用する増幅器を補償しようとする。
【0014】
ＤＰＤアルゴリズムで使用されるモデルは、典型的には、増幅器への入力に入るデータと増幅器の出力から出るデータとの間の比較に基づいて、係数を徐々に調整することによって、反復プロセスで形成されることを意味する適応型モデルである。ＤＰＤ係数の推定は、一般に「キャプチャ」と称される、入力及び出力データ（すなわち、ＰＡへの入力及びＰＡからの出力）の有限シーケンスの取得、並びにモデルがキャプチャの分析に基づいて適応されるフィードバックループの形成に基づいている。より具体的には、従来のＤＰＤアルゴリズムは、一般的に「更新方程式」と呼ばれる一組の多項式方程式を形成し、広い解空間で方程式の適切な解を検索して、ＰＡのモデルを更新することを伴う一般化メモリ多項式（Ｇｅｎｅｒａｌ Ｍｅｍｏｒｙ Ｐｏｌｙｎｏｍｉａｌ、ＧＭＰ）モデルに基づいている。そのために、ＤＰＤアルゴリズムは、逆問題を解決し、これは、一連の観測から、これらの観測を生成した偶然の要因を計算するプロセスである。
【0015】
非線形効果の存在下で逆問題を解決することは、困難であり得、不適切である可能性がある。特に、本開示の発明者らは、ＧＭＰベースのＰＡモデルが、特に最先端のＲＦシステムで使用されるサンプリングレートが絶えず増加している場合に、多項式データを記憶するために必要な信号ダイナミクス及び制限されたメモリ深度に起因する制限を有し得ることを認識した。
【0016】
高周波で使用することができるソリッドステートデバイスは、現代の半導体技術において非常に重要である。部分的には、それらの大きなバンドギャップ及び高移動度に起因して、ＧａＮベースのトランジスタなどのＩＩＩ－Ｎベースのトランジスタ（すなわち、周期表のＩＩＩ族からの少なくとも１つの元素（例えば、Ａｌ、Ｇａ、Ｉｎ）の第１のサブ格子及びチャネル材料としての窒素（Ｎ）の第２のサブ格子を有する化合物半導体材料を用いるトランジスタ）は、高周波用途に特に有利であり得る。特に、ＰＡは、ＧａＮトランジスタを使用して構築され得る。
【0017】
ＧａＮトランジスタは、カットオフ周波数及び効率に関して望ましい特徴を有するが、それらの挙動は、トランジスタチャネル内の欠陥部位が電荷キャリアをトラップする電荷トラップとして知られている効果によって複雑になっている。トラップされた電荷の密度は、ゲート電圧に大きく依存し、ゲート電圧は、典型的には、信号振幅に比例する。物事を更に複雑にするために、反対の効果が同時に電荷トラップの効果と競合し得る。すなわち、いくつかの電荷キャリアが欠陥部位によってトラップされると、例えば、熱活性化のために、他の電荷キャリアがトラップからリリースされる。これら２つの効果は、非常に異なる時定数を有する。ゲート電圧が上昇するたびに、欠陥部位がトラップされた電荷で迅速に充填されることがあり、一方、トラップされた電荷のリリースは、よりゆっくりと起こる。リリース時定数は、数十マイクロ秒から最大ミリ秒であり得、その効果は、典型的には、４Ｇ又は５Ｇデータ、特にバーストを含むデータのシンボル期間の時間スケールで非常に明らかである。
【0018】
本開示の様々な実施形態は、ＲＦシステム（ミリ波／５Ｇ技術の無線ＲＦシステムなどが挙げられるが、これらに限定されない）のために線形で効率的な増幅器（ＰＡなどが挙げられるが、これらに限定されない）を提供するのに、上記の欠点のうちの１つ以上を改善することを目指すシステム及び方法を提供する。特に、本開示の態様は、基底関数ベースのアクチュエータとニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＮＮ）ベースのアクチュエータとの組み合わせを利用するＤＰＤ配置を提供する。
【0019】
本明細書で使用される場合、基底関数ベースのアクチュエータは、一組の基底関数を使用して、非線形コンポーネント（例えば、ＰＡ）への入力信号を予歪する一部としてＤＰＤ動作を実行するＤＰＤアクチュエータを指し得る。基底関数は、関数空間の特定の基底の要素を指し得る。ベクトル空間内の全てのベクトルが基底ベクトルの線形結合として表すことができるように、関数空間内の全ての関数は、基底関数の線形結合として表すことができる。基底関数のいくつかの実施例は、ボルテラ級数、ＧＭＰモデル（ボルテラ級数のサブセットである）、及び／又は線形区分関数に基づき得る。
【0020】
本明細書で使用される場合、ニューラルネットワークベースのアクチュエータは、１つ以上のニューラルネットワークを使用して、非線形コンポーネント（例えば、ＰＡ）への入力信号を予歪する一部としてＤＰＤ動作を実行するＤＰＤアクチュエータを指し得る。ニューラルネットワークは、機械学習のサブセットである深層学習モデルである。一例として、ニューラルネットワークは、複数の層、例えば、入力層、続いて１つ以上の隠れ層（例えば、完全接続層又は畳み込み層）、及び出力層を含み得る。各層は、前の層から受信された入力を変換することができる一組の重み及び／又はバイアスを含み得、結果として生じる出力を、次の層に渡すことができる。各層の重み及び／又はバイアスは、例えば、入力信号及び／又は観測信号若しくは非線形コンポーネントの出力を示すフィードバック信号を処理し、基底関数ベースのアクチュエータの出力信号を後処理し、入力信号を予歪する際に基底関数ベースのアクチュエータのパラメータを更新し、及び／又は基底関数ベースのアクチュエータ並びにニューラルネットワークベースのアクチュエータによって生成された信号を組み合わせるように、訓練及び適応させることができる。一般に、ニューラルネットワークベースのアクチュエータによって使用される１つ以上のニューラルネットワークは、任意の適切なアーキテクチャ（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、等）を有することができる。
【0021】
本開示の一態様によれば、ＲＦトランシーバ用の装置は、ＲＦトランシーバの非線形コンポーネント（例えば、ＰＡ）に関連付けられた入力信号を受信し、予歪された信号を出力するためのＤＰＤアクチュエータを含み得る。ＤＰＤアクチュエータは、基底関数ベースのアクチュエータと、ニューラルネットワークベースのアクチュエータとを含み得る。基底関数ベースのアクチュエータは、非線形コンポーネントの第１の非線形特性に関連付けられた一組の基底関数を使用して、第１のＤＰＤ動作を実行し得る。いくつかの実施例では、一組の基底関数は、ボルテラ級数、ＧＭＰモデル、及び／又は動的偏移低減（ｄｙｎａｍｉｃ ｄｅｖｉａｔｉｏｎ ｒｅｄｕｃｔｉｏｎ、ＤＤＲ）モデルに基づくことができる。ニューラルネットワークベースのアクチュエータは、非線形コンポーネントの第２の非線形特性に関連付けられた１つ以上のニューラルネットワークを使用して、第２のＤＰＤ動作を実行し得る。第１の非線形特性及び第２の非線形特性は、同じであってもよく、又は異なっていてもよい。一般に、第１及び第２の非線形特性は、非線形コンポーネントの非線形特性の任意の適切な次数（例えば、第３次、第５次、第１０次、第１１次、等）及び／又は任意の数の非線形特性を含むことができる。ＤＰＤアクチュエータは、基底関数ベースのアクチュエータの第１の出力信号及びニューラルネットワークベースのアクチュエータの第２の出力信号に基づいて、予歪された信号を出力し得る。基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータは、様々な構成、例えば、並列構成又はカスケード構成で配置することができ、予歪された信号を生成するために様々な方法で互いに相互作用し得る。
【0022】
並列構成の場合、基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータの各々は、入力信号又は非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理し得る（ここで、出力は、観測のために送信機経路から受信機経路にループバックされる）。この点で、基底関数ベースのアクチュエータは、一組の基底関数を使用して、入力信号又はフィードバック信号のうちの少なくとも１つを処理して、第１の出力信号を生成することによって、第１のＤＰＤ動作を実行し得る。ニューラルネットワークベースのアクチュエータは、１つ以上のニューラルネットワークを使用して、入力信号又はフィードバック信号のうちの少なくとも１つを処理して、第２の出力信号を生成することによって、第２のＤＰＤ動作を実行し得る。更に、一実施例では、ＤＰＤアクチュエータは、入力信号、第１の出力信号、及び／又は第２の出力信号を組み合わせて、予歪された信号を提供するためのコンバイナを更に含み得る。コンバイナは、入力信号、第１の出力、及び／又は第２の出力信号に対して、これらの信号を一緒に合計する前に、様々なデータ変換（例えば、信号アライメント、アップサンプリング、フィルタリング、別のニューラルネットワークを使用した処理、等）を実行することができる。別の実施例では、第２のＤＰＤ動作を実行する一環として、第１及び第２の出力信号を組み合わせる代わりに、ニューラルネットワークベースのアクチュエータの第２の出力信号を使用して、基底関数ベースのアクチュエータのパラメータを更新することができ、基底関数ベースのアクチュエータは、更新されたパラメータを更に使用して、第１の出力信号を生成し得る。
【0023】
カスケード構成の場合、基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータは、逐次直列に配置され得る。一実施例では、ニューラルネットワークベースのアクチュエータは、基底関数ベースのアクチュエータの出力に結合され得る。この点で、基底関数ベースのアクチュエータは、一組の基底関数を使用して、入力信号又は非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、第１の出力信号を生成することによって、第１のＤＰＤ動作を実行し得る。その後、ニューラルネットワークベースのアクチュエータは、１つ以上のニューラルネットワークを使用して、基底関数ベースのアクチュエータの第１の出力信号を処理して、第２の出力信号を生成することによって、第２のＤＰＤ動作を実行し得る。場合によっては、ニューラルネットワークベースのアクチュエータは、１つ以上のニューラルネットワークを使用して、入力信号を更に処理することによって、第２の出力信号を更に生成し得る。別の実施例では、基底関数ベースのアクチュエータは、ニューラルネットワークベースのアクチュエータの出力に結合され得る。この点で、ニューラルネットワークベースのアクチュエータは、１つ以上のニューラルネットワークを使用して、入力信号又はフィードバック信号のうちの少なくとも１つを処理して、第２の出力信号を生成することによって、第２のＤＰＤ動作を実行し得る。その後、基底関数ベースのアクチュエータは、一組の基底関数を使用して、ニューラルネットワークベースのアクチュエータの第２の出力信号を処理して、第１の出力信号を生成することによって、第１のＤＰＤ動作を実行し得る。
【0024】
いくつかの態様では、並列構成及び／又はカスケード構成について、基底関数ベースのアクチュエータ及び／又はニューラルネットワークベースのアクチュエータは、それぞれ、第１のＤＰＤ動作及び／又は第２のＤＰＤ動作の一部として、それぞれの入力を前処理（例えば、変換）し得る。追加的又は代替的に、並列構成について、ニューラルネットワークベースのアクチュエータは、第２のＤＰＤ動作の一部として、入力信号又はフィードバック信号のうちの少なくとも１つを更にダウンサンプリングすることができる。
【0025】
いくつかの態様では、第２のＤＰＤ動作のためにニューラルネットワークベースのアクチュエータによって使用される１つ以上のニューラルネットワークは、推定ニューラルネットワークモデル及び予測ニューラルネットワークモデルを含み得る。ニューラルネットワークベースのアクチュエータは、フィードバック信号の利用可能性に基づいて、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデルの間で選択し得る。この点で、フィードバック信号が利用可能又は有効である場合、ニューラルネットワークベースのアクチュエータは、推定ニューラルネットワークモデルを使用して、入力信号及びフィードバック信号を処理することによって、第２の出力信号を生成し得る。一方で、フィードバック信号の利用可能性がない場合、ニューラルネットワークベースのアクチュエータは、予測ニューラルネットワークモデルを使用して、入力信号を処理することによって、第２の出力信号を生成し得る。更に、いくつかの態様では、１つ以上のニューラルネットワークは、再帰的な内部状態を有し得る。この点で、ニューラルネットワークベースのアクチュエータは、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデルのうちの選択された１つを使用して、入力信号又はフィードバック信号のうちの少なくとも１つを処理し、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデルのうちの少なくとも１つに関連付けられた以前の状態情報を更に処理することによって、第２の出力信号を生成し得る。ニューラルネットワークベースのアクチュエータは、第２の出力信号に基づいて、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデルのうちの少なくとも１つに関連付けられた状態情報を更に更新し得る。
【0026】
更に、いくつかの態様では、ニューラルネットワークベースのアクチュエータは、ニューラルネットワーク固有の動作（例えば、畳み込み、整流線形ユニット（ｒｅｃｔｉｆｉｅｄ ｌｉｎｅａｒ ｕｎｉｔ、ＲｅＬＵ）動作、等）を実行するためのニューラルネットプロセッサ（例えば、ハードウェアアクセラレータ）を含み得る。ニューラルネットワークベースのアクチュエータは、１つ以上のニューラルネットワーク（例えば、推定ニューラルネットワークモデル及び予測ニューラルネットワークモデル）と関連付けられたパラメータ（例えば、訓練された重み）を記憶するためのメモリを更に含み得る。ニューラルネットワークベースのアクチュエータは、ニューラルネットプロセッサを利用して、記憶されたパラメータに基づいて、第２のＤＰＤ動作を実行し得る。
【0027】
本明細書に記載のシステム、スキーム、及びメカニズムは、有利には、ＤＰＤ作動を支援するためにニューラルネットワークを利用する。例えば、ＤＰＤに基底関数を使用することには、制限があり得る。ニューラルネットワークは、一般に、基底関数よりも高い自由度を提供することができ、解析又は数学関数によって容易に表されない可能性がある任意の複雑な関数をモデル化することができる。例えば、ニューラルネットワークベースのアクチュエータは、基底関数ベースのアクチュエータが（例えば、ハードウェアリソースの制限及び／又は所望の使用率のために）モデル化及び／又は修正するように設計されていない、及び／又は変化（例えば、アナログゲイン設定、温度、信号電力、等）のためにモデル化することができない、非線形特性及び／又は長期メモリ効果のためにモデル化及び修正することができる。更に、観測データ（例えば、送信機から受信機にループバックされるフィードバック信号）が適応のためにのみ使用され、観測の時間から作動の時間までに秒のオーダの長い遅延を有する可能性がある、従来のＤＰＤとは対照的に、本明細書に開示されるニューラルネットワークベースのアクチュエータは、作動又は補償のために観測データを使用することができ、これは、観測の時間から作動の時間までにマイクロ秒のオーダのより短い遅延を有し得る。したがって、本開示は、非線形コンポーネントを線形化する際のＤＰＤパフォーマンスを改善することができる。本開示の態様は、ＲＦシステムにおけるＰＡを線形化する文脈で論じられているが、開示されたハイブリッド基底関数、ニューラルネットワークベースのＤＰＤは、任意の適切な非線形コンポーネントを線形化するために適用することができる。更に、開示されたハイブリッド基底関数、ニューラルネットワークベースのＤＰＤ技法は、無線基地局及び／又は無線モバイルハンドセット（例えば、ユーザ機器）での使用に適している。
【0028】
ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤ配置を備えた例示的なＲＦトランシーバ
図１は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤが実装され得る、例示的なＲＦトランシーバ１００の概略ブロック図を提供する。図１に示されるように、ＲＦトランシーバ１００は、ＤＰＤ回路１１０、送信機回路１２０、ＰＡ１３０、アンテナ１４０、及び受信機回路１５０を含み得る。
図１は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤが実装され得る、例示的なＲＦトランシーバ１００の概略ブロック図を提供する。図１に示されるように、ＲＦトランシーバ１００は、ＤＰＤ回路１１０、送信機回路１２０、ＰＡ１３０、アンテナ１４０、及び受信機回路１５０を含み得る。
【0029】
ＤＰＤ回路１１０は、デジタルサンプルのシーケンスであってもよく、ベクトルであってもよい、ｘで表される入力信号１０２を受信するように構成されている。一般に、本明細書で使用される場合、本図で使用される小文字の太字斜体の単一文字ラベル（例えば、図１に示されるラベルｘ、ｚ、ｙ、及びｙ’）の各々は、ベクトルを指す。いくつかの実施形態では、入力信号１０２ｘは、周波数ドメイン内の１つ以上のアクティブチャネルを含み得るが、簡略化のために、１つのチャネル（すなわち、帯域内周波数の単一の周波数範囲）のみを有する入力信号が説明される。いくつかの実施形態では、入力信号ｘは、ベースバンドデジタル信号であり得る。ＤＰＤ回路１１０は、入力信号１０２ｘに基づいて、ｚによって表され得る出力信号１０４を生成するように構成されている。ＤＰＤ出力信号１０４ｚは、更に送信機回路１２０に提供され得る。
【0030】
本開示の態様によれば、ＤＰＤ回路１１０は、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４を含み得る。基底関数ベースのアクチュエータ１１２は、非線形コンポーネントの第１の非線形特性に関連付けられた一組の基底関数を使用して、第１のＤＰＤ動作を実行し得る。いくつかの実施例では、一組の基底関数は、ボルテラ級数又はボルテラ級数のサブセット（例えば、ＧＭＰ及び／又はＤＤＲ）であり得る。ニューラルネットワークベースのアクチュエータ１１４は、非線形コンポーネントの第２の非線形特性に関連付けられた１つ以上のニューラルネットワークを使用して、第２のＤＰＤ動作を実行し得る。ＤＰＤ回路１１０は、基底関数ベースのアクチュエータ１１２の第１の出力信号及びニューラルネットワークベースのアクチュエータ１１４の第２の出力信号に基づいて、予歪された信号１０４ｚを出力し得る。一般に、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、ハードウェア及び／又はソフトウェアの任意の好適な組み合わせを使用して実装され得る。ある特定の態様では、基底関数ベースのアクチュエータ１１２は、ルックアップテーブル（ｌｏｏｋｕｐ ｔａｂｌｅ、ＬＵＴ）を利用して、一組の基底関数及びｃによって表され得るＤＰＤ係数の関連付けられたセットを記憶することができ、ニューラルネットワークベースのアクチュエータ１１４は、ニューラルネットワーク動作を実行するためのハードウェアアクセラレータ（例えば、ニューラルネットプロセッサ）を含むことができる。基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、様々な構成、例えば、並列構成又はカスケード構成で配置することができ、予歪された信号を生成するために様々な方法で互いに相互作用し得る。いくつかの態様では、ＤＰＤ回路１１０は、例えば、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４が並列構成で配置されるときに、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４の出力を組み合わせるために、破線のボックスによって示されるようなコンバイナ１１６を任意選択で含むことができる。基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４を使用して、ＤＰＤを実行するためのメカニズムは、以下でより完全に説明される。場合によっては、ＤＰＤ回路１１０は、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤと呼ばれることがある。
【0031】
送信機回路１２０は、信号１０４ｚを、ベースバンド信号からＲＦ信号などのより高い周波数の信号にアップコンバートするように構成され得る。送信機１２０によって生成されたＲＦ信号は、ＰＡ１３０に提供され得、ＰＡ１３０は、Ｎ個の個々のＰＡを含むＰＡアレイとして実装されてもよい。ＰＡ１３０は、送信機１２０によって生成されたＲＦ信号を増幅し（したがって、ＰＡ１３０は、ＤＰＤ回路１１０の出力に基づく駆動信号によって駆動され得る）、ｙ（例えば、ベクトル）によって表され得る増幅されたＲＦ信号１３１を出力するように構成され得る。
【0032】
いくつかの実施形態では、ＲＦトランシーバ１００は、無線ＲＦトランシーバであり得、その場合、それはまた、アンテナ１４０を含む。無線ＲＦシステムの文脈において、アンテナは、空間を無線で伝播する電波と、送信機、受信機、又はトランシーバで使用される金属導体内で移動する電流との間のインターフェースとして機能するデバイスである。送信中、ＲＦトランシーバの送信機回路は、電気信号を供給することができ、その信号は、ＰＡによって増幅され、その信号の増幅されたバージョンがアンテナの端子に提供される。次いで、アンテナは、ＰＡによって出力された信号からのエネルギーを電波として放射し得る。アンテナは、全ての無線機器に不可欠なコンポーネントであり、ラジオ放送、放送テレビ、双方向ラジオ、通信受信機、レーダ、携帯電話、衛星通信などのデバイスで使用される。
【0033】
単一のアンテナ素子を有するアンテナは、典型的には、球面波面内の全ての方向に等しく放射する放射パターンをブロードキャストする。フェーズドアンテナアレイは、概して、特定の方向に電磁エネルギーを集中させるために使用されるアンテナ素子の集合を指し、それによってメインビームを作成し、プロセスは一般に「ビームフォーミング」と呼ばれる。フェーズドアンテナアレイは、高ゲイン、指向性ステアリングを実行する能力、及び同時通信など、単一のアンテナシステムよりも多くの利点を提供する。したがって、フェーズドアンテナアレイは、モバイル／セルラー無線技術、軍事用途、飛行機レーダ、自動車レーダ、産業レーダ、及びＷｉ－Ｆｉ技術など、無数の異なる用途でより頻繁に使用されている。
【0034】
ＲＦトランシーバ１００が無線ＲＦトランシーバである実施形態では、増幅されたＲＦ信号１３１ｙは、アンテナ１４０に提供され得、アンテナ１４０は、複数のアンテナ素子、例えば、Ｎ個のアンテナ素子を含むアンテナアレイとして実装され得る。アンテナ１４０は、増幅されたＲＦ信号１３１ｙを無線で送信するように構成されている。
【0035】
ＲＦトランシーバ１００が、フェーズドアンテナアレイシステムの無線ＲＦトランシーバである実施形態では、ＲＦトランシーバ１００は、ＰＡアレイ１３０の個々のＰＡに提供される入力信号を変化させて、アンテナアレイ１４０によって生成されるビームを操舵するように構成されたビームフォーマ配置を更に含み得る。このようなビームフォーマ配置は、異なる様態で、例えば、アナログビームフォーマとして（すなわち、ＰＡアレイ１３０によって増幅される入力信号が、アナログドメインで、すなわち、これらの信号がデジタルドメインからアナログドメインに変換された後に修正される）、デジタルビームフォーマとして（すなわち、ＰＡアレイ１３０によって増幅される入力信号が、デジタルドメインで、すなわち、これらの信号がデジタルドメインからアナログドメインに変換される前に修正される）、又はハイブリッドビームフォーマとして（すなわち、ＰＡアレイ１３０によって増幅される入力信号が、部分的にデジタルドメインで、かつ部分的にアナログドメインで修正される）実装され得るため、図１には特に示されていない。
【0036】
理想的には、ＰＡ１３０からの増幅されたＲＦ信号１３１ｙは、送信機回路１２０の出力の、単にアップコンバートされ、増幅されたバージョン、例えば、入力信号１０２ｘの、アップコンバートされ、増幅され、ビームフォームされたバージョンであるべきである。しかしながら、上記で論じたように、増幅されたＲＦ信号１３１ｙは、メイン信号成分の外側に歪みを有し得る。そのような歪みは、ＰＡ１３０の応答における非線形性から生じ得る。上記で論じたように、そのような非線形性を低減することが望ましい場合がある。したがって、ＲＦトランシーバ１００は、ＲＦトランシーバが、（送信経路内の）ＰＡ１３０からの増幅されたＲＦ信号１３１ｙを分析することを可能にするフィードバック経路（又は観測経路）を更に含み得る。いくつかの実施形態では、フィードバック経路は、図１Ａに示されるように実現され得、ここで、フィードバック信号１５１ｙ’が、ＰＡ１３０から受信機回路１５０に提供され得る。しかしながら、他の実施形態では、フィードバック信号は、アンテナ１４０によって送信された無線ＲＦ信号を感知するように構成されたプローブアンテナ素子からの信号であってもよい（図１Ａに特に示さず）。
【0037】
したがって、様々な実施形態では、ＰＡ１３０の出力又はアンテナ１４０の出力の少なくとも一部は、フィードバック信号１５１として、受信機回路１５０に提供され得る。受信機回路１５０の出力は、ＤＰＤ回路１１０、特に、基底関数ベースのアクチュエータ１１２及び／又はニューラルネットワークベースのアクチュエータ１１４に結合される。このようにして、ＰＡ１３０からの出力信号１３１（ｙ）のものである受信機回路１５０の出力信号１５１（ｙ’）は、受信機回路１５０を経由して基底関数ベースのアクチュエータ１１２及び／又はニューラルネットワークベースのアクチュエータ１１４に提供され得る。上記で論じたように、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、並列構成又はカスケード構成で配置することができる。並列構成の場合、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４の各々は、入力信号１０２ｘ又はフィードバック信号１５１ｙ’の少なくとも１つを処理し得る。カスケード構成の場合、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、逐次直列に配置され得、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４のうちの１つは、入力信号１０２ｘ又はフィードバック信号１５１ｙ’の少なくとも１つを処理して、第１の出力信号を生成し得、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４のうちの他方は、１つ以上のニューラルネットワークを使用して、基底関数ベースのアクチュエータの第１の出力信号を処理して、第２の出力信号を生成する。並列構成及びカスケード構成の詳細は、図２～図５を参照して以下でより完全に論じられる。場合によっては、ＤＰＤ回路１１０は、任意選択で、受信信号（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を処理して、ＤＰＤアクチュエータ回路１１２によって入力信号１０２ｘに適用されるＤＰＤ係数ｃを更新して、アクチュエータ出力１０４ｚを生成するためのＤＰＤ適応回路を含むことができる。アクチュエータ出力ｚに基づく信号は、ＰＡ１３０への入力として提供され、ＤＰＤアクチュエータ出力ｚは、ＰＡ１３０の動作を制御するために使用され得ることを意味する。
【0038】
図１に更に示されるように、いくつかの実施形態では、送信機回路１２０は、デジタルフィルタ１２２、デジタルアナログコンバータ（ｄｉｇｉｔａｌ－ｔｏ－ａｎａｌｏｇ ｃｏｎｖｅｒｔｅｒ、ＤＡＣ）１２４、アナログフィルタ１２６、及びミキサ１２８を含み得る。そのような送信機では、予歪された信号１０４ｚは、デジタルフィルタ１２２によってデジタルドメインでフィルタリングされて、フィルタリングされた予歪された入力、デジタル信号を生成し得る。その後、デジタルフィルタ１２２の出力は、ＤＡＣ１２４によってアナログ信号に変換され得る。次いで、ＤＡＣ１２４によって生成されたアナログ信号は、アナログフィルタ１２６によってフィルタリングされ得る。次いで、アナログフィルタ１２６の出力は、ローカル発振器（ｌｏｃａｌ ｏｓｃｉｌｌａｔｏｒ、ＬＯ）１６２から信号を受信して、アナログフィルタ１２６からのフィルタリングされたアナログ信号をベースバンドからＲＦに変換し得る、ミキサ１２８によってＲＦにアップコンバートされ得る。送信機回路１２０を実装する他の方法もまた可能であり、本開示の範囲内である。例えば、別の実装形態（本図面には例解されていない）では、デジタルフィルタ１２２の出力は、ＤＡＣ１２４によってＲＦ信号に直接変換され得る（例えば、直接ＲＦアーキテクチャにおいて）。このような実装形態では、ＤＡＣ１２４によって提供されるＲＦ信号は、次いで、アナログフィルタ１２６によってフィルタリングすることができる。この実装形態では、ＤＡＣ１２４がＲＦ信号を直接合成するため、そのような実施形態では、図１Ａに例解されるミキサ１２８及びローカル発振器１６２を、送信機回路１２０から省略することができる。
【0039】
図１に更に示されるように、いくつかの実施形態では、受信機回路１５０は、デジタルフィルタ１５２、アナログデジタルコンバータ（ａｎａｌｏｇ－ｔｏ－ｄｉｇｉｔａｌ ｃｏｎｖｅｒｔｅｒ、ＡＤＣ）１５４、アナログフィルタ１５６、及びミキサ１５８を含み得る。そのような受信機では、フィードバック信号１５１は、ローカル発振器（ＬＯ）１６０（ローカル発振器１６０と同じであってもよく、又は異なっていてもよい）から信号を受信して、フィードバック信号１５１をＲＦからベースバンドに変換する、ミキサ１５８によってベースバンドにダウンコンバートされ得る。その後、ミキサ１５８の出力は、アナログフィルタ１５６によってフィルタリングされ得る。次いで、アナログフィルタ１５６の出力は、ＡＤＣ１５４によってデジタル信号に変換され得る。次いで、ＡＤＣ１５４によって生成されたデジタル信号は、デジタルフィルタ１５２によってデジタルドメイン内でフィルタリングされて、フィルタリングされたダウンコンバートされたフィードバック信号１５１ｙ’を生成し得、これは、ＰＡ１３０の出力ｙを示すデジタル値のシーケンスであり得、これはまた、ベクトルとしてモデル化され得る。フィードバック信号１５１ｙ’は、ＤＰＤ回路１１０に提供され得る。受信機回路１５０を実装する他の方法もまた可能であり、本開示の範囲内である。例えば、別の実装形態（本図面には例解されていない）では、ＲＦフィードバック信号１５１ｙ’は、ＡＤＣ１５４によってベースバンド信号に直接変換され得る（例えば、直接ＲＦアーキテクチャにおいて）。このような実装形態では、ＡＤＣ１５４によって提供されるダウンコンバートされた信号は、次いで、デジタルフィルタ１５２によってフィルタリングすることができる。この実装形態では、ＡＤＣ１５４がベースバンド信号を直接合成するため、そのような実施形態では、図１Ａに例解されるミキサ１５８及びローカル発振器１６０を、受信機回路１５０から省略することができる。
【0040】
上記のＲＦトランシーバ１００に対して、更なる変形が可能である。例えば、アップコンバージョン及びダウンコンバージョンは、ベースバンド周波数に関して説明されているが、ＲＦトランシーバ１００の他の実施形態では、代わりに中間周波数（ＩＦ）が使用され得る。ＩＦは、受信信号内の情報の最終検出が行われる前に、受信ＲＦ信号がＩＦにシフトされるスーパヘテロダイン無線受信機で使用され得る。ＩＦへの変換は、いくつかの理由で有用であり得る。例えば、数段のフィルタが使用されるとき、それらを全て固定周波数に設定することができ、それは、それらを構築しやすく、チューニングしやすくする。いくつかの実施形態では、ＲＦ送信機１２０又は受信機１５０のミキサは、ＩＦ変換のいくつかのそのような段を含み得る。別の実施例では、単一経路ミキサが、ＲＦトランシーバ１００の送信（ＴＸ）経路（すなわち、送信機１２０によって処理される信号のための信号経路）及び受信（ＲＸ）経路（すなわち、受信機１５０によって処理される信号のための信号経路）の各々に示されるが、いくつかの実施形態では、ＴＸ経路ミキサ１２８及びＲＸ経路ミキサ１５８は、それぞれ、直交アップコンバータ及びダウンコンバータとして実装されてもよく、その場合、それらの各々は、第１のミキサ及び第２のミキサを含むことになる。例えば、ＲＸ経路ミキサ１５８について、第１のＲＸ経路ミキサは、フィードバック信号１５１と、ローカル発振器１６０によって提供されるローカル発振器信号の同相成分とを混合することによって、同相（ｉｎ－ｐｈａｓｅ、Ｉ）ダウンコンバートされたＲＸ信号を生成するようにダウンコンバージョンを実行するように構成され得る。第２のＲＸ経路ミキサは、フィードバック信号１５１と、ローカル発振器１６０によって提供されるローカル発振器信号の直交成分（直交成分は、ローカル発振器信号の同相成分から９０度だけオフセットされる成分である）とを混合することによって、直交（ｑｕａｄｒａｔｕｒｅ、Ｑ）ダウンコンバートされたＲＸ信号を生成するようにダウンコンバージョンを実行するように構成され得る。第１のＲＸ経路ミキサの出力は、Ｉ信号経路に提供され得、第２のＲＸ経路ミキサの出力は、Ｉ信号経路と実質的に９０度位相がずれ得るＱ信号経路に提供され得る。一般に、送信機回路１２０及び受信機回路１５０は、ゼロＩＦアーキテクチャ、直接変換ＲＦアーキテクチャ、複素ＩＦアーキテクチャ、高（リアル）ＩＦアーキテクチャ、又は任意の好適なＲＦ送信機及び／又は受信機アーキテクチャを利用し得る。
【0041】
一般に、ＲＦトランシーバ１００は、ほぼ３ｋＨｚ～３００ＧＨｚのＲＦ範囲の電磁波の形態での信号の送受信をサポートするように構成された任意のデバイス／装置又はシステムであり得る。いくつかの実施形態では、ＲＦトランシーバ１００は、例えば、汎欧州デジタル移動電話方式（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ、ＧＳＭ）、符号分割多元接続（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ、ＣＤＭＡ）、又はＬＴＥなどの任意の適切なセルラー無線通信技術の基地局（ｂａｓｅ ｓｔａｔｉｏｎ、ＢＳ）又はユーザ機器（ｕｓｅｒ ｅｑｕｉｐｍｅｎｔ、ＵＥ）デバイスにおいて、無線通信のために使用され得る。更なる実施例では、ＲＦトランシーバ１００は、５Ｇ無線（すなわち、高周波／短波長スペクトル、例えば、約５～１５ミリメートルの範囲の波長に対応する、約２０～６０ＧＨｚの範囲の周波数を有する）などのミリ波無線技術の、例えば、ＢＳ又はＵＥデバイスとして、又はその中で使用され得る。更に別の実施例では、ＲＦトランシーバ１００は、Ｗｉ－Ｆｉ技術（例えば、約１２ｃｍの波長に対応する２．４ＧＨｚの周波数帯域、又は約５ｃｍの波長に対応する５．８ＧＨｚの周波数帯域、スペクトル）を使用して、例えば、デスクトップ、ラップトップ、ビデオゲームコンソール、スマートフォン、タブレット、スマートＴＶ、デジタルオーディオプレーヤ、車、プリンタなどのＷｉ－Ｆｉ対応デバイスで無線通信のために使用され得る。いくつかの実装形態では、Ｗｉ－Ｆｉ対応デバイスは、例えば、他のノード、例えば、スマートセンサとデータを通信するように構成されたスマートシステム内のノードであってもよい。なお更に別の実施例では、ＲＦトランシーバ１００は、Ｂｌｕｅｔｏｔｈ技術（例えば、約１２ｃｍの波長に対応する、約２．４～約２．４８５ＧＨｚの周波数帯域）を使用する無線通信のために使用され得る。他の実施形態では、ＲＦトランシーバ１００は、例えば、自動車用レーダシステムで、又は磁気共鳴撮像（ｍａｇｎｅｔｏ－ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ、ＭＲＩ）などの医療用途で、通信以外の目的で無線ＲＦ信号を送信及び／又は受信するために使用され得る。更に他の実施形態では、ＲＦトランシーバ１００は、ケーブル通信のために、例えば、ケーブルテレビネットワークにおいて使用され得る。
【0042】
基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータの例示的な並列及びカスケード配置
上述したように、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、並列構成又はカスケード構成で配置することができ、入力信号１０２ｘから予歪された信号１０４ｚを生成するために、様々な方法で互いに相互作用し得る。高レベルでは、基底関数ベースのアクチュエータ１１２への入力は、入力信号１０２ｘ、フィードバック信号１５１ｙ’、又はニューラルネットワークベースのアクチュエータ１１４の出力の任意のサブセット又は変換バージョンとすることができる。同様に、ニューラルネットワークベースのアクチュエータ１１４への入力は、入力信号１０２ｘ、フィードバック信号１５１ｙ’、又は基底関数ベースのアクチュエータ１１２の出力の任意のサブセット又は変換バージョンとすることができる。予歪された信号１０４ｚは、基底関数ベースのアクチュエータ１１２の出力、ニューラルネットワークベースのアクチュエータ１１４の出力、又は入力信号ｘ、基底関数ベースのアクチュエータ１１２の出力、及び／又はニューラルネットワークベースのアクチュエータ１１４の出力の組み合わせ波形から得ることができる。図２及び図３は、図１に関連して論じられるものであり、ここでは、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４が並列構成で配置されている。図４及び図５は、図１に関連して論じられるものであり、ここでは、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４がカスケード構成で配置されている。簡略化のために、図２～図５は、同じ要素又は同じ信号を指すために、図１と同じ参照番号を使用し得る。
上述したように、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、並列構成又はカスケード構成で配置することができ、入力信号１０２ｘから予歪された信号１０４ｚを生成するために、様々な方法で互いに相互作用し得る。高レベルでは、基底関数ベースのアクチュエータ１１２への入力は、入力信号１０２ｘ、フィードバック信号１５１ｙ’、又はニューラルネットワークベースのアクチュエータ１１４の出力の任意のサブセット又は変換バージョンとすることができる。同様に、ニューラルネットワークベースのアクチュエータ１１４への入力は、入力信号１０２ｘ、フィードバック信号１５１ｙ’、又は基底関数ベースのアクチュエータ１１２の出力の任意のサブセット又は変換バージョンとすることができる。予歪された信号１０４ｚは、基底関数ベースのアクチュエータ１１２の出力、ニューラルネットワークベースのアクチュエータ１１４の出力、又は入力信号ｘ、基底関数ベースのアクチュエータ１１２の出力、及び／又はニューラルネットワークベースのアクチュエータ１１４の出力の組み合わせ波形から得ることができる。図２及び図３は、図１に関連して論じられるものであり、ここでは、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４が並列構成で配置されている。図４及び図５は、図１に関連して論じられるものであり、ここでは、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４がカスケード構成で配置されている。簡略化のために、図２～図５は、同じ要素又は同じ信号を指すために、図１と同じ参照番号を使用し得る。
【0043】
図２は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置２００の概略例解図を提供する。例えば、図１のＤＰＤ回路１１０の基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、配置２００に示されるように、並列構成で配置することができる。
【0044】
図２に示されるように、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４の各々は、入力信号１０２ｘ又はフィードバック信号１５１ｙ’（ＰＡ１３０によって出力された出力信号１３１ｙを示す）のうちの少なくとも１つを入力として取り得る。例えば、基底関数ベースのアクチュエータ１１２は、一組の基底関数（例えば、ボルテラ級数、ＧＭＰ、ＤＤＲ関数、区分線形関数、等）を使用して、入力信号１０２ｘ又はフィードバック信号１５１ｙ’のうちの少なくとも１つを処理して、出力信号２０２を生成することによって、第１のＤＰＤ動作を実行し得る。ニューラルネットワークベースのアクチュエータ１１４は、１つ以上のニューラルネットワーク（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、等）を使用して、入力信号１０２ｘ又はフィードバック信号１５１ｙ’のうちの少なくとも１つを処理して、出力信号２０４を生成することによって、第２のＤＰＤ動作を実行し得る。
【0045】
より具体的には、一実施例では、第１の動作の一部として、基底関数ベースのアクチュエータ１１２が、一組の基底関数を使用して、入力信号１０２ｘを処理して、出力信号２０２を生成し得る。別の実施例では、第１の動作の一部として、基底関数ベースのアクチュエータ１１２が、一組の基底関数を使用して、入力信号１０２ｘ及びフィードバック信号１５１ｙ’を処理して、出力信号２０２を生成し得る。同様に、一実施例では、第２のＤＰＤ動作の一部として、ニューラルネットワークベースのアクチュエータ１１４が、１つ以上のニューラルネットワークを使用して、入力信号１０２ｘを処理して、出力信号２０４を生成し得る。別の実施例では、第２のＤＰＤ動作の一部として、ニューラルネットワークベースのアクチュエータ１１４が、入力信号１０２ｘ及びフィードバック信号１５１ｙ’を１つ以上のニューラルネットワークで処理して、出力信号２０４を生成し得る。すなわち、１つ以上のニューラルネットワークは、そのパラメータを更新及び適応させて、予歪された信号１０４ｚの少なくとも一部分又は一成分を生成するように訓練され得る。
【0046】
更に、いくつかの態様では、基底関数ベースのアクチュエータ１１２は、一組の基底関数を入力に適用する前に、その入力（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を前処理し得る。同様に、ニューラルネットワークベースのアクチュエータ１１４は、１つ以上のニューラルネットワークを入力に適用する前に、その入力（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を前処理し得る。前処理のいくつかの実施例は、エンベロープの大きさ計算、ダウンサンプリング、等を含み得る。ある特定の態様では、基底関数ベースのアクチュエータ１１２は、一組の基底関数及び関連する線形結合係数（例えば、ｃ）がＬＵＴとして記憶されるＬＵＴベースのアクチュエータであり得る。基底関数ベースのアクチュエータ１１２は、入力信号１０２ｘ（例えば、複素ベースバンドの同相／直交位相（Ｉ／Ｑ）信号）の大きさを計算し、計算された大きさを使用して、ＬＵＴからのテーブルルックアップに基づいて、出力信号２０２を生成し得る。ニューラルネットワークベースのアクチュエータ１１４は、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’を、１つ以上のニューラルネットワークのうちの少なくとも第１のニューラルネットワークのネットワーク層を通して通過させ得る。
【0047】
図２に更に示されるように、コンバイナ１１６は、入力信号１０２ｘ、基底関数ベースのアクチュエータ１１２の出力信号２０２、及び／又はニューラルネットワークベースのアクチュエータ１１４の出力信号２０４を組み合わせて、予歪された信号１０４ｚを生成し得る。その後、予歪された信号１０４ｚは、送信のためにＤＡＣ１２４に送られ得る。コンバイナ１１６は、図８～図１０を参照して以下でより完全に論じられるように、様々な構造を有し得る。場合によっては、入力信号１０２ｘ、予歪された信号１０４ｚ、フィードバック信号１５１ｙ’、基底関数ベースのアクチュエータ１１２の出力信号２０２、及びニューラルネットワークベースのアクチュエータ１１４の出力信号２０４は、デジタルベースバンドＩ／Ｑ信号（複素Ｉ／Ｑサンプルを含む）である。
【0048】
配置２００は、有利なことに、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４が独立して動作すること、例えば、別々に最適化及び／又は適応されることを可能にすることができる。この点で、基底関数ベースのアクチュエータ１１２によって使用される一組の基底関数は、ＰＡ１３０の第１の非線形特性を線形化するように構成され得、ニューラルネットワークベースのアクチュエータ１１４によって使用される１つ以上のニューラルネットワークは、第２の非線形特性を線形化するように構成され得る。第１及び第２の非線形特性は、異なることができる（例えば、非線形性の異なる次数、又は非線形性の次数の異なる組み合わせ）。代替的に、第１の非線形特性及び第２の非線形特性は、同じであってもよく、ニューラルネットワークベースのアクチュエータ１１４における１つ以上のニューラルネットワークは、ＰＡ１３０の非線形性を変化させ得る動的条件に適応するように訓練され得る。
【0049】
図３は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置３００の概略例解図を提供する。例えば、図１のＤＰＤ回路１１０の基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、配置３００に示されるように、並列構成で配置することができる。図３の配置３００は、図２の配置２００と実質的に同様であり得る。例えば、配置３００内の基底関数ベースのアクチュエータ１１２は、上記で論じた配置２００内の基底関数ベースのアクチュエータ１１２と実質的に同様の方法で動作し得る。しかしながら、予歪された信号１０４ｚは、図２のように、基底関数ベースのアクチュエータ１１２とニューラルネットワークベースのアクチュエータ１１４との組み合わせ出力ではなく、基底関数ベースのアクチュエータ１１２の出力に対応する。
【0050】
図３に示されるように、ニューラルネットワークベースのアクチュエータ１１４の出力信号３０４は、基底関数ベースのアクチュエータ１１２に提供される。より具体的には、ニューラルネットワークベースのアクチュエータ１１４は、出力信号３０４を生成するために、１つ以上のニューラルネットワーク（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、等）を使用して、入力信号１０２ｘ又はフィードバック信号１５１ｙ’のうちの少なくとも１つを処理することによって、ＤＰＤ動作を実行し得る。出力信号３０４は、基底関数ベースのアクチュエータ１１２のパラメータを更新するために使用され得る。したがって、１つ以上のニューラルネットワークは、ＰＡ１３０のＤＰＤ特徴（例えば、非線形特性）を生成し、入力信号を予歪するために基底関数ベースのアクチュエータ１１２のパラメータを更新するように訓練され得る。特定の実施例では、出力信号３０４は、予歪された信号１０４ｚを生成するために基底関数ベースのアクチュエータ１１２によって使用されるＤＰＤ係数を更新する（又はＬＵＴをプログラムする）ために使用され得る。
【0051】
更に、いくつかの態様では、基底関数ベースのアクチュエータ１１２は、一組の基底関数を適用する前に、その入力（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を前処理し得、及び／又はニューラルネットワークベースのアクチュエータ１１４は、図２を参照して上記で論じたように、１つ以上のニューラルネットワークを適用する前に、その入力（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を前処理し得る。
【0052】
配置３００は、有利には、ニューラルネットワークベースのアクチュエータ１１４を使用して、基底関数ベースのアクチュエータ１１２を支援し、例えば、基底関数ベースのアクチュエータ１１２が、さもなければそれ自体では達成できない可能性のある、動的条件に適応させることができる。いくつかの実施例では、ニューラルネットワークベースのアクチュエータ１１４は、ＰＡ１３０での動的変化に適応することができ、ＤＰＤ適応回路の代わりに使用して、基底関数ベースのアクチュエータ１１２（のＤＰＤ係数及び／又はＬＵＴ）を更新することができる。
【0053】
一般に、上記で論じた並列ＤＰＤ配置２００及び／又は３００は、異なるサンプリングレートで動作することができる。例えば、基底関数ベースのアクチュエータ１１２は、全信号サンプリングレートで動作し得る一方で、ニューラルネットワークベースのアクチュエータ１１４は、図６及び図７を参照して以下で論じられるように、より低いレート（ダウンサンプリングされたレート）で動作し得る。場合によっては、ニューラルネットワークベースのアクチュエータ１１４はまた、図７を参照して以下でより十分に論じられるように、異なるサンプリングレートで動作する複数のニューラルネットワークを含み得る。このようにして、ニューラルネットワークベースのアクチュエータ１１４は、基底関数ベースのアクチュエータ１１２によって使用される一組の基底関数によって追跡又はモデル化され得ない動的変化及び／又は長期メモリ効果を考慮し得る。
【0054】
図４は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置４００の概略例解図を提供する。例えば、図１のＤＰＤ回路１１０の基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、配置４００に示されるように、カスケード構成で配置することができる。
【0055】
図４に示されるように、基底関数ベースのアクチュエータ１１２は、ニューラルネットワークベースのアクチュエータ１１４の出力に結合されている。例えば、ニューラルネットワークベースのアクチュエータ１１４は、出力信号４０２を生成するために、１つ以上のニューラルネットワーク（例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、等）を使用して、入力信号１０２ｘ又はフィードバック信号１５１ｙ’のうちの少なくとも１つを処理することによって、ＤＰＤ動作を実行し得る。基底関数ベースのアクチュエータ１１２は、一組の基底関数（例えば、ボルテラ級数、ＧＭＰ、ＤＤＲ関数、区分線形関数、等）を使用して、ニューラルネットワークベースのアクチュエータ１１４の出力信号４０２を処理して、予歪された信号１０４ｚを生成することによって、別のＤＰＤ動作を実行し得る。すなわち、１つ以上のニューラルネットワークは、基底関数ベースのアクチュエータ１１２による処理の前に、入力信号１０２ｘ又はフィードバック信号１５１ｙ’のうちの少なくとも１つを前処理するように（例えば、特徴を生成するために）訓練され、適応され得る。
【0056】
更に、いくつかの態様では、ニューラルネットワークベースのアクチュエータ１１４は、１つ以上のニューラルネットワークを適用する前に、その入力（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を前処理し得る。追加的又は代替的に、基底関数ベースのアクチュエータ１１２は、一組の基底関数を適用する前に、その入力（例えば、ニューラルネットワークベースのアクチュエータ１１４の出力信号４０２）を前処理し得る。
【0057】
配置４００は、有利には、ニューラルネットワークベースのアクチュエータ１１４を使用して、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’からの特徴を生成することにおいて、基底関数ベースのアクチュエータ１１２を支援し得る。いくつかの実施例では、ニューラルネットワークベースのアクチュエータ１１４の出力信号４０２は、基底関数ベースのアクチュエータ１１２によって容易にキャプチャ又は表現することができないＰＡ１３０の特性又は入力信号１０２ｘ上の変換に関連付けられた情報を含み得る。
【0058】
図５は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置５００の概略例解図を提供する。例えば、図１のＤＰＤ回路１１０の基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４は、配置５００に示されるように、カスケード構成で配置することができる。図５の配置５００は、図４の配置４００と実質的に同様であり得るが、信号経路内の基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４の順序はスワップされている。図５に示されるように、ニューラルネットワークベースのアクチュエータ１１４は、基底関数ベースのアクチュエータ１１２の出力に結合されている。
【0059】
例えば、基底関数ベースのアクチュエータ１１２は、一組の基底関数（例えば、ボルテラ級数、ＧＭＰ、ＤＤＲ関数、区分線形関数、等）を使用して、入力信号１０２ｘ又はフィードバック信号１５１ｙ’のうちの少なくとも１つを処理して、出力信号５０２を生成することによって、ＤＰＤ動作を実行し得る。その後、ニューラルネットワークベースのアクチュエータ１１４は、基底関数ベースのアクチュエータ１１２の出力信号５０２を処理して、予歪された信号１０４ｚを生成することによって、別のＤＰＤ動作を実行し得る。更に、いくつかの態様では、ニューラルネットワークベースのアクチュエータ１１４はまた、１つ以上のニューラルネットワークを使用して、入力信号１０２ｘ又はフィードバック信号１５１ｙ’を処理し得る。このようにして、（ニューラルネットワークベースのアクチュエータ１１４によって使用される）１つ以上のニューラルネットワークは、基底関数ベースのアクチュエータ１１２の出力信号を後処理し、及び／又は入力信号１０２ｘ又はフィードバック信号１５１ｙ’を処理するように訓練され、適応され得る。
【0060】
更に、いくつかの態様では、基底関数ベースのアクチュエータ１１２は、入力に１つ以上のニューラルネットワークを適用する前に、その入力（例えば、入力信号１０２ｘ及び／又はフィードバック信号１５１ｙ’）を前処理し得る。追加的又は代替的に、ニューラルネットワークベースのアクチュエータ１１４は、一組の基底関数を入力に適用する前に、その入力（例えば、基底関数ベースのアクチュエータ１１２の出力信号５０２）を前処理し得る。
【0061】
配置５００は、基底関数ベースのアクチュエータ１１２によってモデル化されない特徴（例えば、動的変化及び／又は非線形性効果）を考慮するために、ニューラルネットワークベースのアクチュエータ１１４を有利に使用し得る。例えば、基底関数ベースのアクチュエータ１１２は、制限されたメモリを有し得、それゆえ、ＰＡ１３０の特定の長期メモリ効果を修正又は線形化することができない可能性がある。したがって、ニューラルネットワークベースのアクチュエータ１１４は、基底関数ベースのアクチュエータ１１２の出力を修正して、長期変動を補正するように訓練され得る。追加的に又は代替的に、基底関数ベースのアクチュエータ１１２は、より複雑ではないＤＰＤ動作を実行してもよく、一方、ニューラルネットワークベースのアクチュエータ１１４は、より複雑なＤＰＤ動作を実行してもよい。例えば、基底関数は、解析方程式に基づく場合があるため、それゆえ制限を有し得る（例えば、特定の非線形性をモデル化することができるが、他のより複雑又は高次の非線形性をモデル化することができない）。したがって、ニューラルネットワークベースのアクチュエータ１１４は、（例えば、より高い自由度を有する）任意の非線形関数をモデル化するために使用され得、これは、解析的な数学方程式によって表現可能であってもなくてもよい。
【0062】
上記の説明からわかるように、様々なＤＰＤ配置２００、３００、４００、及び５００は、異なる利点を有する。したがって、ＤＰＤ回路１１０は、ハードウェアリソース（例えば、メモリ）の利用可能性、線形化下のＰＡ１３０の非線形特性（例えば、トラップされた電荷、メモリ効果、等）、及び／又は目標線形化パフォーマンスメトリックに応じて、ＤＰＤ配置２００、３００、４００、又は５００を使用して構成され得る。更に、いくつかの態様では、ＤＰＤ配置２００、３００、４００、及び／又は５００内のニューラルネットワークベースのアクチュエータ１１４は、ニューラルネットプロセッサ又はアクセラレータ（例えば、図６のアクセラレータ６７０及び／又は図７のアクセラレータ７６０）を含むことができる。ニューラルネットプロセッサ又はアクセラレータは、ニューラルネットワーク固有の処理（例えば、畳み込み層内の前の層からの重み付けされた出力を組み合わせるための乗加算演算を用いた層処理、ＲｅＬＵ演算、バイアス演算、等）の効率的な計算を可能にするアーキテクチャ及び／又はハードウェア演算を有し得る。
【0063】
ニューラルネットワークモデルを備えた例示的なＤＰＤ配置
本開示の一態様は、ニューラルネットワークモデルに基づいており、信号ダイナミクス又はＧａＮ電荷トラップなどの遅い影響を推定、予測、及び補償するように構成されている、増幅器状態推定分岐を有するＤＰＤ配置を提供する。
本開示の一態様は、ニューラルネットワークモデルに基づいており、信号ダイナミクス又はＧａＮ電荷トラップなどの遅い影響を推定、予測、及び補償するように構成されている、増幅器状態推定分岐を有するＤＰＤ配置を提供する。
【0064】
ニューラルネットワークは、幅広い用途にわたって良好な精度で任意の非線形関数を近似する能力を有することが示されている。ニューラルネットワークモデルは、ＰＡの出力（例えば、ＰＡ１３０の出力）の送信（例えば、入力信号１０２ｘ）及びループバック観測（例えば、フィードバック信号１５１ｙ’）の両方を取り込み、有用な特徴ベクトル（ＰＡ状態推定）を生成するように構成することができる。そのようなニューラルネットワークはまた、異なる動的挙動、例えば、ＧａＮ ＰＡの電荷トラップ又は接合温度変化を引き起こす挙動、を有する多種多様な波形で訓練され得る。加えて、いくつかの実施形態では、状態ダイナミクスモデルは、ＰＡ状態変化が主に入力励起によって引き起こされると仮定して、前の状態推定及び次の入力信号を取り込み、次の状態を予測する（ＰＡ状態予測）ように構成され得る。したがって、将来の状態の予測は、もはや観測チャネルを必要としなくてもよい。信号／システムダイナミクスのはるかに長い時間スパンに対処するために、いくつかの実施形態では、このモデルは、システムの長期的な進化を主に（例えば、それだけを）含み得る、ダウンサンプリングされた波形で訓練され得る。サンプリングレートで作動する予歪モデル（様々な実施形態では、ニューラルネットワークモデル又はＧＭＰモデルのいずれかであり得る）と併せて、２つの組み合わせは、コンバイナモデル、すなわち、両方のモデルの出力及び出力Ｉ／ＱサンプルをＤＡＣ（例えば、ＤＡＣ１２４）に取り込む、図２のコンバイナ１１６に類似したモデルを介して、動的システムを用いて予歪を実行することができる。ＰＡ状態推定ネットワークは、低いサンプルレートで作動しているので、モデルの作動を処理するために、アクセラレータ（例えば、図６のアクセラレータ６７０及び／又は図７のアクセラレータ７６０）を構築することができる。
【0065】
純粋に送信信号に基づいて、マイクロ秒からミリ秒までの範囲のＰＡにおける長期効果をモデル化することは、典型的には、長いキャプチャバッファ（例えば、数万のサンプル）及び非常に深いメモリモデルを必要とする。本明細書で提案する、増幅器状態推定分岐を有するＤＰＤ配置は、（従来の実装形態における適応とは対照的に）作動中の送信及び観測信号の両方の短いキャプチャを比較することによって、現在のＰＡ状態を最初に推定するように構成される。そのようなＤＰＤ配置は、観測することなく、現在のＰＡ状態及び将来の送信信号を使用して、将来のＰＡ状態を追跡及び予測するように更に構成され得る。いくつかの実施形態では、そのようなＤＰＤ配置は、推定ＰＡ状態を利用して、サンプルごとの補正信号を生成して、メインＤＰＤ作動を補償するように構成され得る。
【0066】
図６～図１２は、ニューラルネットワークモデルを用いたＤＰＤ配置の様々な態様を例解する。図６は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのためのオフライン訓練及びオンライン作動のためのスキーム６００の例解図を提供する。スキーム６００は、図６の左側に示されるオフライン訓練と、図６の右側のオンライン作動とを含む。図面を混乱させないために、図６は、ＤＰＤ作動に顕著な要素のみを示すが、オンライン作動は、コンバイナ１１６の出力とＰＡ１３０の入力との間の送信機回路（例えば、少なくともＤＡＣ１２４を含む送信機回路１２０に類似する）と、ＰＡ１３０の出力とキャプチャバッファ６６０との間の受信機回路（例えば、ＡＤＣ１５４を含む受信機回路１５０に類似する）とを含むことができる。いくつかの態様では、図１のＤＰＤ回路１１０及び／又は図２の配置２００は、スキーム６００を使用して訓練及び展開され得る。簡略化のために、図６は、同じ要素又は同じ信号を指すために、図１及び図２と同じ参照番号を使用し得る。
【0067】
図６の右側のオンライン作動によって示されるように、図１のＤＰＤ回路１１０の基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４が、図２の配置２００と実質的に同様の方法で配置されている。例えば、オンライン作動は、一組の基底関数及び一組の関連するＤＰＤ係数を使用して入力信号１０２ｘを処理して、出力信号２０２を生成する、基底関数ベースのアクチュエータ１１２を含み得る。オンライン作動は、キャプチャされた信号６６２を処理して、出力信号２０４を生成するためのニューラルネットワークベースのアクチュエータ１１４を更に含み得る。コンバイナ１１６は、基底関数ベースのアクチュエータ１１２の出力信号２０２とニューラルネットワークベースのアクチュエータ１１４の出力信号２０４とを組み合わせて、予歪された信号１０４ｚを生成し得る。一般に、コンバイナ１１６は、基底関数ベースのアクチュエータ１１２からの出力信号２０２、ニューラルネットワークベースのアクチュエータ１１４からの出力信号２０４、及び／又は入力信号１０２ｘを組み合わせて、予歪された信号１０４ｚを生成し得る。
【0068】
コンバイナ１１６は、様々な構造を有し得る。図６は、コンバイナ１１６のための１つの例示的な構造を例解する。例解された例では、コンバイナ１１６は、出力信号２０４及び入力信号１０２ｘを後処理して、後処理信号６４２を出力するための後処理回路６４０を含み得る。コンバイナ１１６は、後処理信号６４２を（基底関数ベースのアクチュエータ１１２からの）出力信号２０２に追加して、予歪された信号１０４ｚを生成するための信号加算回路６３０を更に含み得る。更に、遅延を、図７を参照して以下でより完全に説明されるように、組み合わせる前の時間アライメントのために、基底関数ベースのアクチュエータ１１２からの出力信号２０２、ニューラルネットワークベースのアクチュエータ１１４からの出力信号２０４、及び／又は入力信号１０２ｘのいずれかに追加することができる。コンバイナ１１６のための様々な例示的な構造は、図８～図１０を参照して以下でより完全に説明される。図１を参照して同様に上記で論じたように、予歪された信号１０４ｚは、送信のためにＰＡ１３０に送られ得る。更に、オンライン作動は、キャプチャメモリ又はバッファ６６０（例えば、ＤＰＤ回路１１０の一部として実装される）を含み得る。キャプチャバッファ６６０は、予歪された信号１０４ｚ（又は送信信号）及びＰＡ１３０の出力を示すフィードバック信号１５１ｙ’（又は観測信号）の複数のキャプチャを実行し得る。例えば、各キャプチャは、特定の数のデジタルＩ／Ｑサンプルを含み得る。いくつかの実施例では、キャプチャは、例えば、キャプチャを記憶するための利用可能なメモリ及び／又はＰＡ１３０のメモリ効果に応じて、特定のデューティサイクルに従って実行することができる。例えば、予歪された信号１０４ｚの短いセグメント（例えば、Ｎ個のサンプル）及び／又はフィードバック信号１５１ｙ’の短いセグメントを、特定の時間間隔でキャプチャすることができる。
【0069】
図６の例解された実施例において、ニューラルネットワークベースのアクチュエータ１１４は、ニューラルネットアクセラレータ６７０を含み得る。ニューラルネットアクセラレータ６７０は、例えば、基底関数ベースのアクチュエータ１１２とともにＤＰＤ動作（例えば、ＰＡ状態予測、ＰＡ状態推定、及び／又は非線形事前補償を含む）を実行するために特別に訓練された、ニューラルネットワークモデル６１０のための処理を実行し得る。いくつかの態様では、ニューラルネットアクセラレータ６７０は、ニューラルネットワーク固有の処理（例えば、畳み込み層内の前の層からの重み付けされた出力を組み合わせるための乗加算演算を用いた層処理ユニット、ＲｅＬＵ演算、バイアス演算、等）の効率的な計算を可能にするアーキテクチャ及び／又はハードウェア演算を有し得る。図６に更に示されるように、ニューラルネットワークベースのアクチュエータ１１４は、ダウンサンプリングされた信号６８３を提供するために、キャプチャされた信号６６２をダウンサンプリングするためのダウンサンプリング回路６８２を含み得る。ニューラルネットアクセラレータ６７０は、訓練されたニューラルネットワークモデル６１０に従ってダウンサンプリングされた信号６８３を処理して、出力信号６７６を提供し得る。いくつかの態様では、ニューラルネットアクセラレータ６７０は、任意選択で、ニューラルネットワークモデル６１０の内部状態（例えば、６７４として示される）を追跡し得、例えば、ニューラルネットワークモデル６１０が再帰型ニューラルネットワークモデルであるとき、ダウンサンプリングされた信号６８３及び内部状態６７４を処理して、出力信号６７６を生成し得る。ニューラルネットワークベースのアクチュエータ１１４は、ニューラルネットワークモデル６１０の出力信号６７６をアップサンプリングして、信号２０４を生成するためのアップサンプリング回路６８０を更に含み得る。すなわち、６０４内の動作（基底関数ベースのアクチュエータ１１２及びコンバイナ１１６を含む）は、完全なサンプリングレートで（例えば、入力信号１０２ｘのサンプリングレートで）実行され得、一方、６０８内の動作（ニューラルネットワークベースのアクチュエータ１１４を含む）は、より低いサンプリングレートで実行され得る。一例として、ダウンサンプリング回路６８２は、Ｋの係数でその入力をダウンサンプリングしてもよく、アップサンプリング回路６８０は、同じＫの係数でその入力信号をアップサンプリングしてもよく、Ｋは、２、３、４、又は任意の適切な値であり得る。図６は、ダウンサンプリングされたレートで動作するニューラルネットワークベースのアクチュエータ１１４を例解するが、他の態様では、ニューラルネットワークベースのアクチュエータ１１４は、基底関数ベースのアクチュエータ１１２と同じ全信号サンプリングレートで動作することができる。
【0070】
一態様では、ニューラルネットアクセラレータ６７０によって実装されるＰＡ状態推定及び追跡の出力（例えば、信号２０４）を使用して、コンバイナ１１６によって補償されたＰＡ１３０は、短期メモリ効果を明示し得る。これらの短期メモリ効果は、基底関数ベースのアクチュエータ１１２によって処理（補正）することができる。いくつかの実施形態では、基底関数ベースのアクチュエータ１１２、ニューラルネットワークベースのアクチュエータ１１４、及びコンバイナ１１６は、ＤＰＤアクチュエータ回路（例えば、ＤＰＤ回路１１０）内に含まれ得る。場合によっては、基底関数ベースのアクチュエータ１１２は、メインＤＰＤ又はサンプルレートアクチュエータと称され得、ニューラルネットワークモデル６１０は、ＰＡ状態推定モデルと称され得る。
【0071】
図６の左側によって示されるように、事前訓練は、以下のプロセスを含み得る。第１に、データは、ＰＡ１３０への様々な入力刺激を有する（例えば、図６の右側に示されるようなターゲットハードウェアの）送信経路及び観測経路からキャプチャされて、訓練データセット（キャプチャ６０２として示される）を形成し得る。キャプチャ６０２は、予歪された信号１０４ｚ及び／又はフィードバック信号１５１ｙ’のキャプチャを含み得る。次に、最適化アルゴリズムを使用して、ニューラルネットワークモデル６１０を訓練して、キャプチャされたデータ６０２に基づいて、ＰＡ状態を推定し得る。最後に、コンバイナモデル（コンバイナ１１６をモデル化したもの）が、ＰＡ状態推定モデルと一緒に訓練されて、補正信号（例えば、予歪された信号１０４ｚ）を生成し得る。いくつかの実施形態では、ＰＡ状態推定モデルは、キャプチャされたデータ６０２に基づいて、ＰＡ状態を推定するために、メインＤＰＤモデル（基底関数ベースのアクチュエータ１１２をモデル化したもの）及びコンバイナモデルの両方と一緒に訓練され得る。他の実施形態では、メインＤＰＤモデルが、最初にキャプチャされたデータ６０２に基づいて事前に訓練されてもよく、その後、ＰＡ状態推定モデルが、事前に訓練されたメインＤＰＤモデル及びコンバイナと一緒に訓練されて、キャプチャされたデータ６０２に基づいてＰＡ状態を推定してもよい。別の言い方をすれば、ニューラルネットワークモデル６１０は、例えば、ニューラルネットワークモデル６１０の層を介して、予歪された信号１０４ｚ及び／又はフィードバック信号１５１ｙ’のキャプチャを渡すことによって、キャプチャ６０２を使用して、並びに、ニューラルネットワークモデル６１０の出力が最適化される（すなわち、ニューラルネットワークモデル６１０によって予測された出力と所望の信号との間の誤差が、最小化されるか、又は特定の基準を満たすとき）まで、ニューラルネットワークモデル６１０の重み（又はパラメータ）を更新するためにバックプロパゲーションを使用して、訓練されてもよい。いくつかの実施例では、ＰＡ状態推定モデル又はニューラルネットワークモデル６１０が訓練された後、更なる剪定及び量子化６１２及び／又は任意の他の後処理が実行されて、ニューラルネットワークモデル表現６１４を生成し得る。いくつかの実施例では、ニューラルネットワークモデル表現６１４は、訓練された重みパラメータを含み得る。ニューラルネットワークモデル表現６１４は、オンライン作動のためにニューラルネットワークベースのアクチュエータ１１４によって使用され得る。例えば、ニューラルネットワークモデル表現６１４（訓練されたパラメータ）は、メモリに記憶されてもよく、ニューラルネットアクセラレータ６７０は、記憶されたパラメータを使用して、ニューラルネットワーク処理を実行し得る。
【0072】
図６の右側によって更に示されるように、展開後の動作は、以下のプロセスを含み得る。第１に、メインＤＰＤ（例えば、基底関数ベースのアクチュエータ１１２）の出力からの送信信号（例えば、予歪された信号１０４ｚ）の短いセグメントが、キャプチャされ得る。任意選択で、ＰＡ１３０の出力からの観測信号（例えば、フィードバック信号１５１ｙ’）の短いセグメントがキャプチャされ得る。次に、事前に訓練されたＰＡ状態推定モデル（例えば、モデル６１０）が、キャプチャされた信号６６２を使用してＰＡ状態を推定し得る。いくつかの実施形態では、事前に訓練されたＰＡ状態推定モデルは、観測が利用可能である場合、キャプチャされた送信信号（例えば、予歪された信号１０４のキャプチャ）と、キャプチャ観測信号（例えば、フィードバック信号１５１のキャプチャ）と、を比較することによって、ＰＡ状態を直接推定し得る。観測が、キャプチャの時間から作動における効果までに数秒オーダの遅延を有する、適応（すなわち、観測を使用して、アクチュエータ内の次の係数セットを見つける最適化アルゴリズム）のためにのみ使用される先行技術のＤＰＤ実装とは対照的に、（図２の配置２００と同様である）図６の右側に示されるＰＡ状態推定及び補償ＤＰＤ配置では、観測は、補償のためにアクチュエータ（例えば、基底関数ベースのアクチュエータ１１２）に直接送られ、キャプチャの時間から作動までにマイクロ秒オーダの遅延を有する。いくつかの実施形態では、事前に訓練されたＰＡ状態推定モデルは、（観測が利用できない場合）以前のＰＡ状態及びキャプチャされた送信信号を使用して、ＰＡ状態を推定し得る。これは、必要に応じて観測からのモデルドリフトを自己修正する能力を有さず、最適なパフォーマンスのための明示的な観測受信機デューティサイクリング機構を有しないフィードフォワードモデルを使用する、先行技術のＤＰＤ実装とは対照的である。次のプロセスでは、コンバイナ１１６は、メインＤＰＤの出力（例えば、信号２０２）と、推定ＰＡ状態ベクトル（例えば、信号２０４）と、を組み合わせて、最終的な予歪信号を生成し得、これは、次いで、ＰＡ１３０に供給される。その後、メインＤＰＤは、ＰＡ状態推定モデル及びコンバイナモデルの知識なしに、それ自身の適応を実行し得る。最後に、ＰＡ状態推定モデルは、適応を実行し得、パラメータ更新は、任意の適切な既知の最適化アルゴリズム（例えば、確率的勾配降下法）を使用して実行され得る。
【0073】
サンプルデシメーションに関して、いくつかの実施形態では、ニューラルネットアクセラレータ６７０に含まれるＰＡ状態推定モデルは、デシメートされたサンプルレートで動作して、長時間のホライズンにわたって、例えば、マイクロ秒のオーダで、メモリ効果をキャプチャし得る。任意の決定論的変換が、第１のダウンサンプリングの前に入力に適用され得る。いくつかの実施形態では、ＰＡ状態推定モデルは、図７及び図１１に示されるように、複数のダウンサンプリング段を含み得る。
【0074】
図７は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的な配置７００の概略例解図を提供する。配置７００は、図２の配置２００及び／又は図６のスキーム６００におけるオンライン作動に使用されるＤＰＤハードウェアに実質的に類似であり得、ニューラルネットワークベースのアクチュエータ１１４の内部要素及び基底関数ベースのアクチュエータ１１２、コンバイナ１１６、及びニューラルネットワークベースのアクチュエータ１１４間の相互作用（又は共同作用）のより詳細な図を提供し得る。簡略化のために、図７は、同じ要素又は同じ信号を指すために、図１、図２、及び図６と同じ参照番号を使用し得る。
【0075】
図７に示されるように、配置７００は、基底関数ベースのアクチュエータ１１２、ニューラルネットワークベースのアクチュエータ１１４、コンバイナ１１６、アライメントバッファ７２０、遅延回路７１０、７１２、７１４、及びアップサンプリング回路７６２を含み得る。基底関数ベースのアクチュエータ１１２は、一組の基底関数及び関連するＤＰＤ係数を使用して、入力信号１０２ｘ（例えば、送信のためのデータで符号化されたデジタルベースバンドＩ／Ｑ信号）を処理して、出力信号２０２を生成し得る。アライメントバッファ７２０は、キャプチャバッファ６６０と同様であり得る。アライメントバッファ７２０は、フィードバック信号１５１ｙ’（ＰＡ１３０の出力を示す観測信号）のキャプチャ（例えば、Ｎ個のＩ／Ｑサンプル）、基底関数ベースのアクチュエータ１１２の出力信号２０２のキャプチャ（例えば、Ｎ個のＩ／Ｑサンプル）、及び／又は予歪された信号１０４ｚ（コンバイナ１１６の出力）のキャプチャ（例えば、Ｎ個のＩ／Ｑサンプル）を含み得る。フィードバック信号１５１ｙ’、予歪された信号１０４ｚ、及び出力信号２０２は、全信号サンプリングレート（例えば、Ｆｓ）であり、時間アライメントされ、アライメントバッファ７２０に記憶され得る。例えば、送信経路及びフィードバック経路における処理及び／又は信号伝播遅延のために、それぞれの遅延が、バッファ７２０に記憶されたこれらの信号の間でサンプルレベルで１対１の対応が存在し得るように、出力信号２０２及び予歪された信号１０４ｚ、並びにフィードバック信号１５１ｙ’の各々に追加され得る。
【0076】
図７に更に示されるように、ニューラルネットワークベースのアクチュエータ１１４は、変換及び特徴生成ブロック７３０（例えば、デジタル回路及び命令コードを実行するプロセッサ）、ダウンサンプリング回路６８２と同様の１つ以上のダウンサンプリング回路７４０、１つ以上のシリアル／パラレル（ｓｅｒｉａｌ－ｔｏ－ｐａｒａｌｌｅｌ、Ｓ／Ｐ）回路７５０、ニューラルネットアクセラレータ６７０と同様のニューラルネットアクセラレータ７６０、及びアップサンプリング回路６８０と同様のアップサンプリング回路７６２を含み得る。変換及び特徴生成ブロック７３０は、時間アライメントされたフィードバック信号１５１ｙ’、予歪された信号１０４ｚ、出力信号２０２及び／又は追加の特徴７３２を入力として取り、入力に基づいて信号７３４（例えば、ＰＡ１３０の非線形特性に関連する特徴）を生成し得る。追加の特徴７３２のいくつかの実施例は、（送信経路及び／又は受信経路内の）アナログゲイン設定、温度（例えば、現在の動作温度）、フィードバック信号１５１ｙ’のシンボル電力、及び／又はＤＰＤに異なる挙動を引き起こし得る任意の動作パラメータ及び／又は測定値を含み得るが、これらに限定されない。追加の特徴７３２は、他の回路（例えば、検出回路及び／又は測定回路）によって提供されてもよく、及び／又はＣＰＵアクセス可能レジスタから読み取られてもよい。一例として、アナログゲイン設定は、回路（例えば、検出回路及び／又は測定回路）から直接取得することができる。あるいは、アナログゲイン設定は、レジスタを介してデジタル的に制御することができ、読み戻すことができる。別の実施例として、基底関数ベースのアクチュエータ１１２及びニューラルネットワークベースのアクチュエータ１１４を含むＤＰＤ装置又はＲＦトランシーバは、温度感知回路を含むことができ、レジスタ読み取りを介して現在の動作温度の指示を提供することができる。
【0077】
信号７３４は、ダウンサンプリング回路７４０によってダウンサンプリングされ得る。Ｓ／Ｐ回路７５０は、ダウンサンプリングされた信号に対してシリアルからパラレルへの変換を実行し、変換された信号７５２をニューラルネットアクセラレータ７６０に提供し得る。例えば、ニューラルネットアクセラレータ７６０は、並列処理を利用して、信号７５２を処理し得る。一例として、ニューラルネットワークモデル（例えば、モデル６１０）は、一度にダウンサンプリングされたサンプルのブロック上で動作し得、Ｓ／Ｐ回路７５０は、ターゲットサンプルブロックをニューラルネットアクセラレータ７６０に提供し得る。ニューラルネットワークベースのアクチュエータ１１４は、任意選択で、ダウンサンプリング回路７４０及び関連するＳ／Ｐ回路７５０が破線で示されるように、複数の並列ダウンサンプリング経路を含むことができる。いくつかの実施例では、異なるダウンサンプリング経路は、異なるダウンサンプリングされたレートで実行する。すなわち、ニューラルネットアクセラレータ７６０は、例えば、異なるＰＡ状態情報の推定又は予測について、異なるレートで複数のニューラルネットワークモデルを作動することができる。対応するニューラルネットワークを介して信号７５２を処理した後、ニューラルネットアクセラレータ７６０は、出力信号２０４を生成し得る。アップサンプリング回路７６２は、ニューラルネットワークベースのアクチュエータ１１４の出力をコンバイナ１１６に提供する前に、出力信号２０４を信号７６３にアップサンプリングし得る。いくつかの実施例では、ニューラルネットワークベースのアクチュエータ１１４が、異なるダウンサンプリング係数を有する複数のダウンサンプリング経路を含む場合、アップサンプリング回路７６２は、信号７６３が全信号サンプリングレートで戻り得るように、対応するダウンサンプリング係数に従ってニューラルネットアクセラレータ７６０からの出力をアップサンプリングし得る。一般に、アップサンプリングは、ニューラルネットワークベースのアクチュエータ１１４の一部として、又はニューラルネットアクセラレータ７６０での処理の一部として、又はニューラルネットワークベースのアクチュエータ１１４の外部で実行することができる。
【0078】
図７に更に示されるように、入力信号１０２ｘ、基底関数ベースのアクチュエータ１１２によって生成された信号２０２、及びニューラルネットワークベースのアクチュエータ１１４によって生成された信号７６３は、それらをコンバイナ１１６に提供する前に、それぞれ、遅延回路７１０、７１２、及び７１４によって遅延され得る。同様に上記で論じたように、異なる経路からの処理及び／又は信号伝播遅延が存在し得る。したがって、遅延回路７１０、７１２、及び７１４は、コンバイナ１１６の前に、入力信号１０２ｘ、信号２０２、及び信号７６３を時間整列させることができる。例えば、遅延回路７１０は、入力信号１０２ｘをＫサンプルだけ遅延させることができ、遅延回路７１２は、信号２０２をＬサンプルだけ遅延させることができ、遅延回路７１４は、信号７６３をＰサンプルだけ遅延させることができ、Ｋ、Ｌ、及びＰは、異なる値を有することができる。コンバイナ１１６は、遅延された入力信号１０２ｘ、基底関数ベースのアクチュエータ１１２の遅延された出力信号２０２、及びニューラルネットワークベースのアクチュエータ１１４の遅延された出力信号７６３を組み合わせて、予歪された信号１０４ｚを生成し得る。コンバイナ１１６は、図６に示すような構造、又は図８～図１０を参照して以下で論じられるような他の構造を有し得る。
【0079】
上記で論じたように、基底関数ベースのアクチュエータ１１２の出力と、図２及び図６～図７に示されるニューラルネットワークベースのアクチュエータ１１４の出力と、を組み合わせるために使用されるコンバイナ１１６は、様々な構造を有することができる。図６は、コンバイナ１１６のための１つの例示的な構造を例解する。図８～図１０は、コンバイナ構造の他の変形を例解する。
【0080】
図８は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるコンバイナのための例示的な配置８００の概略例解図を提供する。例えば、ＤＰＤ回路１１０内のコンバイナ１１６は、配置８００を使用して配置され得る。図８に示されるように、コンバイナ１１６は、加算回路８１０、乗算回路８２０、ローパスフィルタ（ｌｏｗ－ｐａｓｓ ｆｉｌｔｅｒ、ＬＰＦ）回路８３０、及びアップサンプリング回路８４０を含み得る。
【0081】
配置８００において、アップサンプリング回路８４０は、例えば、上記で論じたように、ニューラルネットワークベースのアクチュエータ１１４で実行されるダウンサンプリングに従って、ニューラルネットワークベースのアクチュエータ１１４によって出力される信号２０４をアップサンプリングし得る。一例として、ニューラルネットワークベースのアクチュエータ１１４が、（入力信号１０２ｘの）全信号サンプリングレートの半分で動作する場合、アップサンプリング回路８４０は、出力信号２０４を２だけアップサンプリングし得、その結果、アップサンプリングされた信号８４２は、同じ全信号サンプリングレートになり得る。ＬＰＦ回路８３０は、アップサンプリングされた信号８４２を、ＬＰＦを通して通過させ得る。乗算回路８２０は、入力信号１０２ｘをフィルタリングされた信号８３２と乗算して、信号８２２を提供し得る。加算回路８１０は、信号８２２を、基底関数ベースのアクチュエータ１１２によって出力された信号２０２と加算して、予歪された信号１０４ｚを生成し得る。
【0082】
図８には示されていないが、配置８００は、乗算回路８２０での乗算の前に信号１０２及び８３２を時間整列させるために、及び／又は加算回路８１０での加算の前に信号２０２及び８２２を時間整列させるために、遅延回路７１０、７１２、及び／又は７１４と同様の遅延回路を含むことができる。更に、いくつかの実施例では、アップサンプリング動作は、例えば、ニューラルネットワークベースのアクチュエータ１１４が、基底関数ベースのアクチュエータ１１２と同じレートで動作するときに、任意選択で行うことができる。
【0083】
図９は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるコンバイナのための例示的な配置９００の概略例解図を提供する。例えば、ＤＰＤ回路１１０内のコンバイナ１１６は、配置９００を使用して配置され得る。図９に示されるように、コンバイナ１１６は、配置８００と実質的に同様の加算回路９１０、乗算回路９２０、ＬＰＦ回路９３０、及びアップサンプリング回路９４０を含み得る。しかしながら、配置９００では、コンバイナ１１６は、予歪された信号１０４ｚを生成するために入力信号１０２ｘを利用しない。
【0084】
例えば、アップサンプリング回路９４０は、例えば、上記で論じたように、ニューラルネットワークベースのアクチュエータ１１４で実行されるダウンサンプリングに従って、ニューラルネットワークベースのアクチュエータ１１４によって出力される信号２０４をアップサンプリングし得る。ＬＰＦ回路９３０は、アップサンプリングされた信号９４２を、ＬＰＦを通して通過させ得る。乗算回路９２０は、信号２０２をフィルタリングされた信号９３２と乗算して、信号９２２を提供し得る。加算回路９１０は、信号９２２を、基底関数ベースのアクチュエータ１１２によって出力された信号２０２と加算して、予歪された信号１０４ｚを生成し得る。
【0085】
図９には示されていないが、配置９００は、乗算回路９２０での乗算の前に信号９３２及び２０２を時間整列させるために、及び／又は加算回路９１０での加算の前に信号９２２及び２０２を時間整列させるために、遅延回路７１０、７１２、及び／又は７１４と同様の遅延回路を含むことができる。更に、いくつかの実施例では、アップサンプリング動作は、例えば、ニューラルネットワークベースのアクチュエータ１１４が、基底関数ベースのアクチュエータ１１２と同じレートで動作するときに、任意選択で行うことができる。
【0086】
図１０は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるコンバイナのための例示的な配置１０００の概略例解図を提供する。例えば、ＤＰＤ回路１１０内のコンバイナ１１６は、配置１０００を使用して配置され得る。図１０に示されるように、コンバイナ１１６は、加算回路１０１０、ニューラルネットワーク１０２０、ＬＰＦ回路１０３０、及びアップサンプリング回路１０４０を含み得る。
【0087】
配置１０００において、アップサンプリング回路１０４０は、例えば、上記で論じたように、ニューラルネットワークベースのアクチュエータ１１４で実行されるダウンサンプリングに従って、ニューラルネットワークベースのアクチュエータ１１４によって出力される信号２０４をアップサンプリングし得る。ＬＰＦ回路１０３０は、アップサンプリングされた信号１０４２を、ＬＰＦを通して通過させ得る。ニューラルネットワーク１０２０（例えば、図６のアクセラレータ６７０、図７のアクセラレータ７６０、及び／又は図１２のニューラルネットプロセッサコア１２４０などのニューラルネットワークプロセッサ又はアクセラレータによって実行される）は、アップサンプリングされた信号１０３２及び入力信号１０２ｘを処理して、信号１０２２を提供し得る。ニューラルネットワーク１０２０は、ニューラルネットワークベースのアクチュエータ１１４の出力を、入力信号１０２ｘと組み合わせるように訓練された重みを含み得る。加算回路１０１０は、信号１０２２を、基底関数ベースのアクチュエータ１１２によって出力された信号２０２と加算して、予歪された信号１０４ｚを生成し得る。
【0088】
図１０には示されていないが、配置１０００は、ニューラルネットワーク１０２０による処理の前に信号１０３２及び１０２を時間整列させるために、及び／又は加算回路１０１０での加算の前に信号１０２２及び２０２を時間整列させるために、遅延回路７１０、７１２、及び／又は７１４と同様の遅延回路を含むことができる。更に、いくつかの実施例では、アップサンプリング動作は、例えば、ニューラルネットワークベースのアクチュエータ１１４が、基底関数ベースのアクチュエータ１１２と同じレートで動作するときに、任意選択で行うことができる。
【0089】
一般に、コンバイナ１１６は、入力信号ｘ、基底関数ベースのアクチュエータ１１２によって出力された信号２０２、及び／又はニューラルネットワークベースのアクチュエータ１１４によって出力された信号２０４を組み合わせて、予歪された信号１０４ｚを生成することができる。いくつかの態様では、コンバイナ１１６は、組み合わせる前に、ニューラルネットワークベースのアクチュエータ１１４によって出力される出力信号２０４をアップサンプリング及び／又はフィルタリングすることができる。追加的又は代替的に、コンバイナ１１６は、組み合わせる前に、ニューラルネットワークベースのアクチュエータ１１４によって出力された信号２０４を、入力信号１０２ｘと乗算することができる。追加的に又は代替的に、コンバイナ１１６は、組み合わせる前に、ニューラルネットワークベースのアクチュエータ１１４によって出力された信号２０４を、基底関数ベースのアクチュエータ１１２によって出力された信号２０２と乗算することができる。追加的又は代替的に、コンバイナ１１６は、組み合わせる前に、ニューラルネットワークを介して２０４及び／又は入力信号１０２ｘを通過させることができる。
【0090】
図１１は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤのための例示的なＰＡ状態推定及び予測実装１１００の概略例解図を提供する。例えば、ＤＰＤ回路１１０のニューラルネットワークベースのアクチュエータ１１４は、実装１１００に示されるように実装され得る。図１１に示されるように、ニューラルネットワークベースのアクチュエータ１１４は、ＰＡ状態推定フェーズ１１０２及びＰＡ状態予測フェーズ１１０４を含み得る。ニューラルネットワークベースのアクチュエータ１１４は、推定ニューラルネットワークモデル１１１６及び予測ニューラルネットワーク１１２６を含み得る。いくつかの態様では、推定ニューラルネットワークモデル１１１６及び予測ニューラルネットワークモデル１１２６は、ニューラルネットプロセッサ又はアクセラレータ（例えば、図６のアクセラレータ６７０、図７のアクセラレータ７６０、及び／又は図１２のニューラルネットプロセッサコア１２４０）によって実行され得る。
【0091】
ＰＡ状態推定フェーズ１１０２の間、ニューラルネットワークベースのアクチュエータ１１４は、ＰＡ状態推定のために推定ニューラルネットワークモデル１１１６を利用し得る。例えば、ニューラルネットワークベースのアクチュエータ１１４は、入力信号１０２ｘ（例えば、ＰＡ１３０による送信のためのデータを運ぶデジタルベースバンドＩ／Ｑ信号）及びＰＡ１３０の出力を示すフィードバック信号１５１ｙ’に基づいて、ＰＡ状態１１１８を推定し得る。ニューラルネットワークベースのアクチュエータ１１４は、入力信号１０２ｘ及びフィードバック信号１５１ｙ’に対して１つ以上の段の変換１１１０及び／又はダウンサンプリング１１１２を実行し、変換された及び／又はダウンサンプリングされた信号１１１４を、処理のために推定ニューラルネットワークモデル１１１６に提供し得る。推定ニューラルネットワークモデル１１１６は、各々が一組の重みを有する複数のニューラルネットワーク層（例えば、入力層、１つ以上の隠れ層、及び出力層を含む）を含み得、変換された及び／又はダウンサンプリングされた信号１１１４は、処理のための層の各々を通過して、推定ＰＡ状態１１１８を提供し得る。
【0092】
ＰＡ状態予測フェーズ１１０４の間、ニューラルネットワークベースのアクチュエータ１１４は、ＰＡ状態予測のために予測ニューラルネットワークモデル１１２６を利用し得る。例えば、ニューラルネットワークベースのアクチュエータ１１４は、入力信号１０２ｘ（例えば、ＰＡ１３０による送信のためのデータを運ぶデジタルベースバンドＩ／Ｑ信号）に基づいて、ＰＡ状態１１２８を予測し得る。ニューラルネットワークベースのアクチュエータ１１４は、入力信号１０２ｘに対して１つ以上の段の変換１１２０及び／又はダウンサンプリング１１２２を実行し、変換された及び／又はダウンサンプリングされた信号１１２４を、処理のために予測ニューラルネットワークモデル１１２６に提供し得る。予測ニューラルネットワークモデル１１２６は、各々が一組の重みを有する複数のニューラルネットワーク層（例えば、入力層、１つ以上の隠れ層、及び出力層を含む）を含み得、変換された及び／又はダウンサンプリングされた信号１１２４は、処理のための層の各々を通過して、予測ＰＡ状態１１２８を提供し得る。
【0093】
いくつかの態様では、ニューラルネットワークベースのアクチュエータ１１４は、フィードバック信号１５１ｙ’の利用可能性に基づいて、ＰＡ状態推定フェーズ１１０２とＰＡ状態予測フェーズ１１０４との間で切り替えられ得る。この点で、ニューラルネットワークベースのアクチュエータ１１４は、フィードバック信号１５１ｙ’の利用可能性に基づいて、推定ニューラルネットワークモデル１１１６又は予測ニューラルネットワークモデル１１２６の間で選択し得る。例えば、フィードバック信号１５１ｙ’（観測）が利用可能である場合、ニューラルネットワークベースのアクチュエータ１１４は、推定ニューラルネットワークモデル１１１６を選択し得る。しかしながら、フィードバック信号１５１ｙ’の利用可能性が欠如している場合、ニューラルネットワークベースのアクチュエータ１１４は、予測ニューラルネットワークモデル１１２６を選択し得る。
【0094】
更に、いくつかの態様では、ニューラルネットワークベースのアクチュエータ１１４は、推定ニューラルネットワークモデル１１１６及び／又は予測ニューラルネットワークモデル１１２６に関連付けられた状態情報を記憶するための共有ストレージ１１３０（例えば、メモリ）を含み得る。状態情報は、それぞれのＰＡ状態を生成するための処理のために、推定ニューラルネットワークモデル１１１６及び／又は予測ニューラルネットワークモデル１１２６にフィードバックされ得る。ニューラルネットワークベースのアクチュエータ１１４は、推定ニューラルネットワークモデル１１１６及び／又は予測ニューラルネットワークモデル１１２６による処理の前にＰＡ状態情報を遅延させる遅延回路１１３２を更に含み得る。一例として、推定ニューラルネットワークモデル１１１６は、変換された及び／又はダウンサンプリングされた信号１１１４並びに以前の状態情報１１３４（例えば、以前の推定ＰＡ状態１１１８及び／又は以前の予測ＰＡ状態１１２８）を処理して、新しい推定ＰＡ状態１１１８を出力し得る。その後、共有ストレージ１１３０における状態情報は、新しい推定ＰＡ状態１１１８で更新され得る。同様に、予測ニューラルネットワークモデル１１２６は、変換された及び／又はダウンサンプリングされた信号１１２４並びに以前の状態情報１１３４（例えば、以前の推定ＰＡ状態１１１８及び／又は以前の予測ＰＡ状態１１２８）を処理して、新しい予測ＰＡ状態１１２８を出力し得る。その後、共有ストレージ１１３０における状態情報は、新しい予測ＰＡ状態１１２８で更新され得る。
【0095】
別の言い方をすれば、例えば、観測受信機（例えば、受信機回路１５０）でのデューティサイクリングのために、フィードバック信号１５１ｙ’（観測）が利用できない場合、ニューラルネットワークベースのアクチュエータ１１４は、予測ニューラルネットワークモデル１１２６を利用して、入力信号１０２ｘ及び以前の状態情報１１３４に従って更なるＰＡ状態を予測し得る。一方で、フィードバック信号１５１ｙ’（観測）が利用可能な場合、ニューラルネットワークベースのアクチュエータ１１４は、推定ニューラルネットワークモデル１１１６を利用して、入力信号１０２ｘ及びフィードバック信号１５１ｙ’に従って将来のＰＡ状態を推定し得る。いくつかの実施例では、推定ニューラルネットワークモデル１１１６は、以前の状態情報１１３４に更に基づいて、将来のＰＡ状態を推定し得る。概して、推定ニューラルネットワークモデル１１１６及び予測ニューラルネットワークモデル１１２６は、フィードバック信号１５１ｙ’の利用可能性に応じて交互の様態で作動し得る。
【0096】
いくつかの態様では、ニューラルネットワークベースのアクチュエータ１１４は、推定ニューラルネットワークモデル１１１６の後に更なる処理段階を含んで、ＰＡ状態１１１８を処理して、推定ＰＡ状態１１１９を生成することができる。同様に、ニューラルネットワークベースのアクチュエータ１１４は、予測ニューラルネットワークモデル１１２６の後に更なる処理段階を含んで、ＰＡ状態１１２８を処理して、予測ＰＡ状態１１２９を生成することができる。
【0097】
図１１は、ＰＡ状態推定フェーズ１１０２及びＰＡ状態予測フェーズ１１０４中に、動作を実行するための２つの別個の経路を例解しているが、ニューラルネットワークベースのアクチュエータ１１４は、例えば、少なくともいくつかのハードウェアブロック及び回路を共有する、任意の適切な方法で実装することができる。
【0098】
図１２は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤにおけるニューラルネットワークベースのアクチュエータのための例示的なハードウェアアーキテクチャ１２００の概略例解図を提供する。アーキテクチャ１２００は、図１１の実装１１００と併せて使用され得る。例えば、ＤＰＤ回路１１０のニューラルネットワークベースのアクチュエータ１１４は、実装１１００及びアーキテクチャ１２００を使用して実装されたものを使用して、実装され得る。図１２に示されるように、アーキテクチャ１２００は、重みメモリ１２１０、マルチプレクサ１２２０、推論コントローラ１２３０、ニューラルネットプロセッサコア１２４０、アクティベーションメモリ１２５０、及びダイレクトメモリアクセス（ｄｉｒｅｃｔ ｍｅｍｏｒｙ ａｃｃｅｓｓ、ＤＭＡ）コントローラ１２６０を含み得る。
【0099】
重みメモリ１２１０は、任意の適切な揮発性又は不揮発性メモリであり得る。メモリのいくつかの実施例は、ダブルデータレートランダムアクセスメモリ（ｄｏｕｂｌｅ ｄａｔａ ｒａｔｅ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＤＤＲ ＲＡＭ）、シンクロナスＲＡＭ（ｓｙｎｃｈｒｏｎｏｕｓ ＲＡＭ、ＳＲＡＭ）、ダイナミックＲＡＭ（ｄｙｎａｍｉｃ ＲＡＭ、ＤＲＡＭ）、フラッシュ、読み取り専用メモリ（ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）、等を含み得る。アクティベーションメモリ１２５０は、推定ニューラルネットワークモデル情報１２１２及び予測ニューラルネットワークモデル情報１２１４を記憶するように構成され得る。例えば、推定ニューラルネットワークモデル情報１２１２は、重みパラメータ及び／又は推定ニューラルネットワークモデル１１１６のニューラルネットワーク層に関連付けられた任意の他の情報を含み得る。同様に、予測ニューラルネットワークモデル情報１２１４は、重みパラメータ及び／又は予測ニューラルネットワークモデル１１２６のニューラルネットワーク層に関連付けられた任意の他の情報を含み得る。
【0100】
マルチプレクサ１２２０は、フィードバック信号（又は観測信号）有効性指示信号１２２２に基づいて、メモリ１２１０に記憶された推定ニューラルネットワークモデル情報１２１２又は予測ニューラルネットワークモデル情報１２１４の間で選択し得る。例えば、フィードバック信号有効性指示信号１２２２は、フィードバック信号１５１ｙ’が有効である（又は利用可能である）ことを示し、マルチプレクサ１２２０は、推定ニューラルネットワークモデル情報１２１２を選択し、推定ニューラルネットワークモデル情報１２１２をニューラルネットプロセッサコア１２４０に出力し得る。しかしながら、フィードバック信号有効性指示信号１２２２が、フィードバック信号１５１ｙ’が無効である（又は利用できない）ことを示す場合、マルチプレクサ１２２０は、予測ニューラルネットワークモデル情報１２１４を選択し、予測ニューラルネットワークモデル情報１２１４をニューラルネットプロセッサコア１２４０に出力し得る。
【0101】
アクティベーションメモリ１２５０は、任意の好適な揮発性メモリ、例えば、ＤＤＲ ＲＡＭ、ＳＲＡＭ、ＤＲＡＭ、等であり得る。アクティベーションメモリ１２５０は、入力データ１２５２、再帰状態情報１２５４、及び出力データ１２５６を記憶するように構成され得る。例えば、入力データ１２５２は、（ＰＡ１３０による送信の前に本明細書に開示されるような、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤによって予歪される）入力信号１０２ｘのキャプチャ、及び（ＰＡ１３０の出力を示す）フィードバック信号１５１ｙ’のキャプチャを含み得る。再帰状態情報１２５４は、推定ニューラルネットワークモデル情報１２１２によって定義されるニューラルネットワークによって推定される以前のＰＡ状態（例えば、ＰＡ状態１１１８、１１１９）、及び／又は予測ニューラルネットワークモデル情報１２１４によって定義されるニューラルネットワークによって予測される以前のＰＡ状態（例えば、ＰＡ状態１１２８、１１２９）を含み得る。出力データ１２５６は、ニューラルネットワークベースのアクチュエータ１１４によって生成された出力信号２０４を含み得る。出力信号２０４を使用して、本明細書に開示されるようにＰＡ１３０のための予歪された信号１０４ｚを生成し得る。
【0102】
ＤＭＡコントローラ１２６０は、ニューラルネットプロセッサコア１２４０とハイブリッド基底関数、ニューラルネットワークベースのＤＰＤ回路１１０内の他の要素との間のメモリアクセス（例えば、データをストリーミングするための）を提供するように構成されたハードウェアデバイスであり得る。例えば、信号経路は、図６～図１０に示されるように、ＤＰＤ回路１１０内の基底関数ベースのアクチュエータ１１２及びコンバイナ１１６に結合され得る。いくつかの態様では、ＤＭＡコントローラ１２６０は、入力データ１２５２をＤＰＤキャプチャバッファ（例えば、キャプチャバッファ６６０）からアクティベーションメモリ１２５０に転送し得る。いくつかの態様では、信号経路は、ダウンサンプリング回路（例えば、ダウンサンプリング回路６８２、７４０、１１１２）、アップサンプリング回路（例えば、アップサンプリング回路６８０、８４０、９４０、１０４０）、フィルタリング回路（例えば、ＬＰＦ回路８３０、９３０、１０３０）、乗算回路（例えば、乗算回路８２０、９２０）、ニューラルネットワークプロセッサ（例えば、図６のアクセラレータ６７０及び／又は図７のアクセラレータ７６０、並びに／又はニューラルネットプロセッサ１２４０）、加算回路（例えば、加算回路６３０、８１０、９１０、１０１０）、等などの、他の回路を含むことができる。
【0103】
ニューラルネットプロセッサコア１２４０は、ニューラルネットワーク固有の動作（例えば、畳み込み、ＲｅＬＵ動作、バイアス動作、等）を実行するように構成され得る。ニューラルネットプロセッサコア１２４０は、マルチプレクサ１２２０での選択に従って、推定ニューラルネットワークモデル情報１２１２又は予測ニューラルネットワークモデル情報１２１４を使用して、入力データ１２５２でキャプチャされた入力信号１０２ｘ（デジタルＩ／Ｑサンプルのブロック）、及び／又はフィードバック信号１５１ｙ’（デジタルＩ／Ｑサンプルのブロック）を処理し得る。例えば、フィードバック信号１５１ｙ’が利用可能であるとき、ニューラルネットプロセッサコア１２４０は、推定ニューラルネットワークモデル情報１２１２を使用して、入力信号１０２ｘ及びフィードバック信号１５１ｙ’を処理して、推定ＰＡ状態（将来のＰＡ状態）を生成し得る。入力データ１２５２でフィードバック信号１５１ｙ’の利用可能性が欠如しているとき、ニューラルネットプロセッサコア１２４０は、予測ニューラルネットワークモデル情報１２１４を使用して、入力信号１０２ｘを処理して、予測ＰＡ状態（将来のＰＡ状態）を生成し得る。
【0104】
推論コントローラ１２３０は、所与のケイデンスでニューラルネットプロセッサコア１２４０の推論をトリガするように構成され得る。例えば、推論コントローラ１２３０は、ニューラルネットワークベースのアクチュエータ１１４とコンバイナ１１６及び／又は基底関数ベースのアクチュエータ１１２との間でデータをストリーミングすることができるように、ニューラルネットプロセッサコア１２４０の入力、出力、及び／又は動作を同期させることができる。更に、推論制御１２３０は、ニューラルネットプロセッサコア１２４０に、実行するニューラルネットワークモデル（例えば、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデル）を通知することができる。例えば、場合によっては、推論コントローラ１２３０は、ＰＡ状態推定及び／又は予測に関連付けられた他の情報をニューラルネットプロセッサコア１２４０に提供することができる。
【0105】
一般に、重みメモリ１２１０、マルチプレクサ１２２０、推論コントローラ１２３０、ニューラルネットプロセッサコア１２４０、アクティベーションメモリ１２５０、及びＤＭＡコントローラ１２６０は、任意の好適な方法で配置され得る。いくつかの態様では、重みメモリ１２１０、マルチプレクサ１２２０、推論コントローラ１２３０、ニューラルネットプロセッサコア１２４０、アクティベーションメモリ１２５０、及び／又はＤＭＡコントローラ１２６０は、ニューラルネットワークハードウェアアクセラレータ（例えば、図６のアクセラレータ６７０及び／又は図７のアクセラレータ７６０）の一部として実装され得る。
【0106】
図１２は、推定ニューラルネットワークモデル及び予測ニューラルネットワークモデルを利用するニューラルネットワークベースのアクチュエータ１１４の文脈で説明されているが、態様はそれらに限定されない。例えば、アーキテクチャ１２００は、任意の適切な数のニューラルネットワークを利用するニューラルネットワークベースのアクチュエータ１１４によって使用され得、それぞれのニューラルネットワークに関連付けられたパラメータは、重み付けメモリ１２１０に記憶され得、ニューラルネットプロセッサ１２４０は、それぞれのパラメータを使用して入力を処理し得る。例えば、アーキテクチャ１２００は、上記で論じられた配置２００、３００、４００、及び／又は５００におけるニューラルネットワークベースのアクチュエータ１１４に使用することができる。
【0107】
図１３は、本開示のいくつかの実施形態による、ハイブリッド基底関数、ニューラルネットワークベースのＤＰＤを実行するための方法１３００を例解するフロー図を提供する。方法１３００は、図１～図１２を参照して上記で論じたように、入力信号（例えば、入力信号１０２ｘ）を非線形コンポーネント（例えば、ＰＡ１３０）に予歪するハイブリッド基底関数、ニューラルネットワークベースのＤＰＤによって実装され得る。動作は、各々一度、かつ特定の順序で、図１３に例解されているが、動作は、所望に応じて並列に、並べ替えられて、及び／又は繰り返されて実行され得る。
【0108】
１３０２において、第１の信号（例えば、信号２０２）が、第１の作動回路（例えば、基底関数ベースのアクチュエータ１１２）を使用して、一組の基底関数、ＤＰＤ係数、及び入力信号又は非線形コンポーネントの出力を示すフィードバック信号（例えば、フィードバック信号１５１ｙ’）のうちの少なくとも１つに基づいて生成され得る。一組の基底関数及びＤＰＤ係数は、非線形コンポーネントの第１の非線形特性に関連付けられ得る。
【0109】
１３０４において、第２の信号（例えば、信号２０４）が、第２のアクチュエータ回路（例えば、ニューラルネットワークベースのアクチュエータ１１４）を使用して、ニューラルネットワーク（例えば、ニューラルネットワークモデル６１０、ニューラルネットワーク１０２０、推定ニューラルネットワークモデル１１１６、予測ニューラルネットワークモデル１１２６、推定ニューラルネットワークモデル情報１２１２、及び／又は予測ニューラルネットワークモデル情報１２１４）、並びに入力信号又はフィードバック信号のうちの少なくとも１つに基づいて生成され得る。ニューラルネットワークは、非線形コンポーネントの第２の非線形特性に関連付けられている。
【0110】
１３０６において、予歪された信号（例えば、予歪された信号１０４ｚ）が、第１の信号及び第２の信号に基づいて、生成され得る。
【0111】
いくつかの態様では、第１及び第２のアクチュエータ回路は、並列構成で配置され得る。したがって、１３０２において第１の信号を生成することは、一組の基底関数及びＤＰＤ係数を、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み得る。更に、１３０４において第２の信号を生成することは、ニューラルネットワークを、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み得る。いくつかの態様では、１３０６において予歪された信号を生成することは、例えば、図２、図６、図７～図１０を参照して上記で論じたように、第１のアクチュエータ回路によって生成された第１の信号と、第２のアクチュエータ回路によって生成された第２の信号と、を組み合わせることを含み得る。いくつかの態様では、１３０６において予歪された信号を生成することは、例えば、図８～図１０を参照して上記で論じたように、入力信号を、第１のアクチュエータ回路によって生成された第１の信号及び第２のアクチュエータ回路によって生成された第２の信号と組み合わせることを更に含み得る。いくつかの態様では、１３０６において予歪された信号を生成することは、例えば、図３を参照して上記で論じたように、第２のアクチュエータ回路の第２の信号に基づいて、第１のアクチュエータ回路のパラメータを更新することを含み得る。
【0112】
いくつかの態様では、第１及び第２のアクチュエータ回路は、カスケード構成で配置され得る。したがって、一態様では、１３０２において第１の信号を生成することは、一組の基底関数及びＤＰＤ係数を、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み得、１３０４において第２の信号を生成することは、例えば、図５を参照して上記で論じたように、ニューラルネットワークを、第１のアクチュエータ回路によって生成された第１の信号に適用することを含み得る。別の態様では、１３０４において第２の信号を生成することは、ニューラルネットワークを、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み得、１３０２において第１の信号を生成することは、例えば、図４を参照して上記で論じたように、一組の基底関数及びＤＰＤ係数を、第１のアクチュエータ回路によって生成された第１の信号に適用することを含み得る。
【0113】
いくつかの態様では、ニューラルネットワークは、例えば、図１１～図１２を参照して上記で論じたように、推定ニューラルネットワークモデル（例えば、モデル１１１６）及び予測ニューラルネットワークモデル（例えば、モデル１１２６）を含み得る。したがって、１３０４において第２の信号を生成することは、フィードバック信号が有効であるかどうかに基づいて、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデルの間で選択することを含み得る。１３０４において第２の信号を生成することは、フィードバック信号が有効であることに応答して、推定ニューラルネットワークモデルを、入力信号及びフィードバック信号に適用することを更に含み得る。１３０４において第２の信号を生成することは、フィードバック信号が無効であることに応答して、予測ニューラルネットワークモデルを、入力信号に適用することを更に含み得る。
【0114】
実施例１は、無線周波数（ＲＦ）トランシーバ用の装置を提供する。装置は、ＲＦトランシーバの非線形コンポーネントに関連付けられた入力信号を受信し、予歪された信号を出力するためのデジタル予歪（ＤＰＤ）アクチュエータを含み、ＤＰＤアクチュエータが、非線形コンポーネントの第１の非線形特性に関連付けられた一組の基底関数を使用して第１のＤＰＤ動作を実行するための基底関数ベースのアクチュエータと、非線形コンポーネントの第２の非線形特性に関連付けられた第１のニューラルネットワークを使用して第２のＤＰＤ動作を実行するためのニューラルネットワークベースのアクチュエータと、を含み、予歪された信号が、基底関数ベースのアクチュエータの第１の出力信号及びニューラルネットワークベースのアクチュエータの第２の出力信号に基づいている。
【0115】
実施例２は、基底関数ベースのアクチュエータが、入力信号又は一組の基底関数を使用して、非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、第１の出力信号を生成することによって、第１のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0116】
実施例３は、基底関数ベースのアクチュエータが、更に、入力信号又はフィードバック信号のうちの少なくとも１つに変換動作を適用することによって、第１のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0117】
実施例４は、ニューラルネットワークベースのアクチュエータが、ニューラルネットワークベースのアクチュエータの第２の出力信号に基づいて、基底関数ベースのアクチュエータのパラメータを更新することによって、第２のＤＰＤ動作を実行し、基底関数ベースのアクチュエータが、更に、更新されたパラメータを更に使用して、第１の出力信号を生成することによって、第１のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0118】
実施例５は、基底関数ベースのアクチュエータが、一組の基底関数を使用して、ニューラルネットワークベースのアクチュエータの第２の出力信号を処理して、第１の出力信号を生成することによって、第１のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0119】
実施例６は、ニューラルネットワークベースのアクチュエータが、入力信号又は第１のニューラルネットワークを使用して、非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、第２の出力信号を生成することによって、第２のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0120】
実施例７は、ニューラルネットワークベースのアクチュエータが、更に、入力信号又はフィードバック信号のうちの少なくとも１つに変換動作を適用することによって、第２のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。一実施例では、変換は、フィードバック信号に関連付けられたアナログゲイン設定、温度、又はシンボル電力の少なくとも１つに基づいて、特徴を生成することを含む。
【0121】
実施例８は、ニューラルネットワークベースのアクチュエータが、更に、入力信号又はフィードバック信号のうちの少なくとも１つをダウンサンプリングすることによって、第２のＤＰＤ動作を更に実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0122】
実施例９は、ニューラルネットワークベースのアクチュエータが、第１のニューラルネットワークを使用して、基底関数ベースのアクチュエータの第１の出力信号を処理して、第２の出力信号を生成することによって、第２のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0123】
実施例１０は、ニューラルネットワークベースのアクチュエータが、更に、第１のニューラルネットワークを使用して、入力信号を処理することによって、第２のＤＰＤ動作を実行する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0124】
実施例１１は、ＤＰＤアクチュエータが、基底関数ベースのアクチュエータの第１の出力信号を、ニューラルネットワークベースのアクチュエータの第２の出力信号と組み合わせて、予歪された信号を生成するためのコンバイナを更に含む、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0125】
実施例１２は、コンバイナが、入力信号を、基底関数ベースのアクチュエータの第１の出力信号及びニューラルネットワークベースのアクチュエータの第２の出力信号と更に組み合わせて、予歪された信号を生成する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0126】
実施例１３は、コンバイナが、基底関数ベースのアクチュエータの第１の出力信号を、ニューラルネットワークベースのアクチュエータの第２の出力信号と組み合わせる前に、ニューラルネットワークベースのアクチュエータの第２の出力信号を、基底関数ベースのアクチュエータの入力信号又は第１の出力信号と更に乗算する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0127】
実施例１４は、コンバイナが、基底関数ベースのアクチュエータの第１の出力信号を、ニューラルネットワークベースのアクチュエータの第２の出力信号と組み合わせる前に、ニューラルネットワークベースのアクチュエータの第２の出力信号に変換動作を更に適用する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0128】
実施例１５は、ニューラルネットワークベースのアクチュエータの第２の出力信号に適用される変換動作が、アップサンプリング、フィルタリング、信号アライメント、又は第１のニューラルネットワークとは異なる第２のニューラルネットワークのうちの少なくとも１つに関連付けられている、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0129】
実施例１６は、ＤＰＤアクチュエータが、第１のニューラルネットワークとは異なる第２のニューラルネットワークを使用して、入力信号又はニューラルネットワークベースのアクチュエータの第２の出力信号のうちの少なくとも１つを処理して、第３の出力信号を生成することと、第３の出力信号を、基底関数ベースのアクチュエータの第１の出力信号と組み合わせて、予歪された信号を生成することと、を行うためのコンバイナを更に含む、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0130】
実施例１７は、コンバイナが、ニューラルネットワークベースのアクチュエータの第２の出力信号に変換動作を更に適用する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0131】
実施例１８は、ニューラルネットワークベースのアクチュエータの第２の出力信号に適用される変換動作が、アップサンプリング動作又はフィルタリング動作のうちの少なくとも１つに関連付けられている、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0132】
実施例１９は、ニューラルネットワークベースのアクチュエータが、第２のニューラルネットワークを更に使用して、第２のＤＰＤ動作を実行し、第１のニューラルネットワーク及び第２のニューラルネットワークが、異なるサンプリングレートで動作する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。例えば、基底関数ベースのアクチュエータは、第１のサンプリングレートで第１のＤＰＤ動作を実行し、ニューラルネットワークベースのアクチュエータは、第１のサンプリングレートとは異なる第２のサンプリングレートで第２のＤＰＤ動作を実行する。
【0133】
実施例２０は、無線周波数（ＲＦ）トランシーバ用の装置を提供する。装置は、ＲＦトランシーバの非線形コンポーネントに関連付けられた入力信号にデジタル予歪（ＤＰＤ）を実行するためのＤＰＤアクチュエータを含み、ＤＰＤアクチュエータは、一組の基底関数及びＤＰＤ係数に基づいて、入力信号を処理して、第１の出力信号を生成するための第１のアクチュエータと、１つ以上のニューラルネットワークを使用して、入力信号又は非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つを処理して、第２の出力信号を生成するための第２のアクチュエータと、第１の出力信号及び第２の出力信号に基づいて、予歪された信号を生成するためのコンバイナと、を含み、一組の基底関数、ＤＰＤ係数、及び１つ以上のニューラルネットワークが各々、非線形コンポーネントの１つ以上の非線形特性に関連付けられている。
【0134】
実施例２１は、第２のアクチュエータが、フィードバック信号の利用可能性に基づいて、１つ以上のニューラルネットワークのうちの第１のニューラルネットワークと第２のニューラルネットワークとの間で選択する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0135】
実施例２２は、第２のアクチュエータが、第１のニューラルネットワークを使用することによって、第２の出力信号を生成して、入力信号及びフィードバック信号を処理し、第１のニューラルネットワークを使用することが、フィードバック信号の利用可能性に基づいている、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0136】
実施例２３は、第２のアクチュエータが、第２のニューラルネットワークを使用することによって、第２の出力信号を生成して、入力信号を処理し、第２のニューラルネットワークを使用することが、フィードバック信号の利用可能性の欠如に基づいている、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0137】
実施例２４は、第２のアクチュエータが、第１のニューラルネットワーク又は第２のニューラルネットワークのうちの選択された１つを使用することによって、第２の出力信号を生成して、入力信号又はフィードバック信号のうちの少なくとも１つと、第１のニューラルネットワーク又は第２のニューラルネットワークのうちの少なくとも１つに関連付けられた以前の状態情報と、を処理し、第２の出力信号に基づいて、第１のニューラルネットワーク又は第２のニューラルネットワークのうちの少なくとも１つに関連付けられた状態情報を更新する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0138】
実施例２５は、１つ以上のニューラルネットワークに関連付けられたパラメータを記憶するためのメモリと、ニューラルネット固有の動作を実行するためのニューラルネットプロセッサと、を更に含み、第２のアクチュエータが、ニューラルネットプロセッサ及び記憶されたパラメータを使用することによって、入力信号又はフィードバック信号のうちの少なくとも１つを処理する、先行及び／又は以下の実施例のうちの１つ以上に記載の装置を提供する。
【0139】
実施例２６は、非線形コンポーネントに対する入力信号を予歪するためにデジタル予歪（ＤＰＤ）を実行するための方法を提供する。方法は、第１のアクチュエータ回路を使用して、一組の基底関数、ＤＰＤ係数、及び入力信号又は非線形コンポーネントの出力を示すフィードバック信号のうちの少なくとも１つに基づいて、第１の信号を生成することであって、一組の基底関数及びＤＰＤ係数が、非線形コンポーネントの第１の非線形特性に関連付けられている、生成することと、第２のアクチュエータ回路を使用して、ニューラルネットワーク及び入力信号又はフィードバック信号のうちの少なくとも１つに基づいて、第２の信号を生成することであって、ニューラルネットワークが、非線形コンポーネントの第２の非線形特性に関連付けられている、生成することと、第１の信号及び第２の信号に基づいて、予歪された信号を生成することと、を含む。
【0140】
実施例２７は、第１の信号を生成することが、一組の基底関数及びＤＰＤ係数を、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み、第２の信号を生成することが、ニューラルネットワークを、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0141】
実施例２８は、予歪された信号を生成することが、第１のアクチュエータ回路によって生成された第１の信号と、第２のアクチュエータ回路によって生成された第２の信号と、を組み合わせることを含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0142】
実施例２９は、予歪された信号を生成することが、入力信号を、第１のアクチュエータ回路によって生成された第１の信号及び第２のアクチュエータ回路によって生成された第２の信号と組み合わせることを更に含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0143】
実施例３０は、予歪された信号を生成することが、第２のアクチュエータ回路の第２の信号に基づいて、第１のアクチュエータ回路のパラメータを更新することを含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0144】
実施例３１は、第１の信号を生成することが、一組の基底関数及びＤＰＤ係数を、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み、第２の信号を生成することが、ニューラルネットワークを、第１のアクチュエータ回路によって生成された第１の信号に適用することを含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0145】
実施例３２は、第２の信号を生成することが、ニューラルネットワークを、入力信号又はフィードバック信号のうちの少なくとも１つに適用することを含み、第１の信号を生成することが、一組の基底関数及びＤＰＤ係数を、第１のアクチュエータ回路によって生成された第１の信号に適用することを含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0146】
実施例３３は、ニューラルネットワークが、推定ニューラルネットワークモデル及び予測ニューラルネットワークモデルを含み、第２の信号を生成することが、フィードバック信号が有効であるかどうかに基づいて、推定ニューラルネットワークモデル又は予測ニューラルネットワークモデルの間で選択することと、フィードバック信号が有効であることに応答して、推定ニューラルネットワークモデルを、入力信号及びフィードバック信号に適用することと、フィードバック信号が無効であることに応答して、予測ニューラルネットワークモデルを、入力信号に適用することと、を含む、先行及び／又は以下の実施例のうちの１つ以上に記載の方法を提供する。
【0147】
変形及び実装形態
基底関数ベースの作動及びニューラルネットワークベースの作動の組み合わせを使用してＤＰＤを実行する様々な実施形態が、本明細書で説明される、ＰＡのための駆動信号である「ＰＡのための入力信号」、すなわち、入力信号ｘに基づいて生成される信号、を参照して本明細書で説明されている。しかしながら、基底関数ベースの作動及びニューラルネットワークベースの作動の組み合わせを使用するＤＰＤの他の実施形態では、「ＰＡのための入力信号」は、Ｎ個のＰＡをバイアスするために使用されるバイアス信号であり得る。したがって、本開示の実施形態はまた、ＰＡのための駆動信号を修正する代わりに、ＤＰＤ配置が、ＰＡのためのバイアス信号を修正するように構成され得、これは、ＰＡの出力がＰＡをバイアスするために使用されるバイアス信号に基づいている、ＤＰＤ適応回路（例えば、本明細書に記載のＤＰＤ適応回路）によって生成される制御信号に基づいて行われ得ることを除いて、本明細書に説明され、図に例解されているものと同様の、基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータの組み合わせを含むＤＰＤ配置を包含する。本開示の他の態様では、ＰＡのための駆動信号及びバイアス信号の両方が、ニューラルネットワークを使用してＤＰＤを実装するために、本明細書に記載のように調整され得る。
基底関数ベースの作動及びニューラルネットワークベースの作動の組み合わせを使用してＤＰＤを実行する様々な実施形態が、本明細書で説明される、ＰＡのための駆動信号である「ＰＡのための入力信号」、すなわち、入力信号ｘに基づいて生成される信号、を参照して本明細書で説明されている。しかしながら、基底関数ベースの作動及びニューラルネットワークベースの作動の組み合わせを使用するＤＰＤの他の実施形態では、「ＰＡのための入力信号」は、Ｎ個のＰＡをバイアスするために使用されるバイアス信号であり得る。したがって、本開示の実施形態はまた、ＰＡのための駆動信号を修正する代わりに、ＤＰＤ配置が、ＰＡのためのバイアス信号を修正するように構成され得、これは、ＰＡの出力がＰＡをバイアスするために使用されるバイアス信号に基づいている、ＤＰＤ適応回路（例えば、本明細書に記載のＤＰＤ適応回路）によって生成される制御信号に基づいて行われ得ることを除いて、本明細書に説明され、図に例解されているものと同様の、基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータの組み合わせを含むＤＰＤ配置を包含する。本開示の他の態様では、ＰＡのための駆動信号及びバイアス信号の両方が、ニューラルネットワークを使用してＤＰＤを実装するために、本明細書に記載のように調整され得る。
【0148】
説明のいくつかは、ＰＡを参照して本明細書に提供されているが、一般に、本明細書に提示される、基底関数ベースのアクチュエータ及びニューラルネットワークベースのアクチュエータの組み合わせを含むＤＰＤの様々な実施形態は、低ノイズ増幅器、可変ゲイン増幅器、等などのＰＡ以外の増幅器、並びに増幅器以外のＲＦトランシーバの非線形電子コンポーネント（すなわち、非線形挙動を示し得るコンポーネント）に適用可能である。更に、説明のいくつかは、ミリ波／５Ｇ技術を参照して本明細書で提供されているが、一般に、本明細書に提示されるニューラルネットワークを使用するＤＰＤの様々な実施形態は、ミリ波／５Ｇ以外の任意の技術又は標準の無線通信システム、無線通信システム以外の任意の無線ＲＦシステム、及び／又は無線ＲＦシステム以外のＲＦシステムに適用可能である。
【0149】
【0150】
ある特定の状況において、本明細書において論じた特徴は、自動車システム、安全性が重要な工業用途、医療システム、科学機器、無線及び有線通信、ラジオ、レーダ、工業プロセス制御、オーディオ及びビデオ機器、電流感知、器具類（極めて精密であり得る）、並びに他のデジタル処理ベースシステムに適用可能であり得る。
【0151】
上記の実施形態の議論において、マルチプレクサ、乗算器、加算器、遅延タップ、フィルタ、コンバータ、ミキサ、及び／又は他のコンポーネントなどのシステムのコンポーネントは、特定の回路のニーズに対応するために、容易に交換、置換、又は別様に修正され得る。更に、相補的な電子デバイス、ハードウェア、ソフトウェア、等の使用は、様々な通信システムにおいて、ハードウェア構成のためのモデルアーキテクチャ検索の適用に関連する本開示の教示を実装するための同様に実行可能な選択肢を提供することに留意すべきである。
【0152】
本明細書で提案されるようなハイブリッド基底関数、ニューラルネットワークベースのＤＰＤ技法を使用するための様々なシステムの部品は、本明細書に記載の機能を実行するための電子回路を含むことができる。いくつかの場合において、システムの１つ以上の部品は、本明細書に記載の機能を果たすために特別に構成されたプロセッサにより提供され得る。例えば、プロセッサは、１つ以上の特定用途向けコンポーネントを含み得、又は本明細書に記載の機能を果たすように構成されたプログラマブルロジックゲートを含み得る。回路は、アナログドメイン、デジタルドメイン、又はミックスドシグナルドメインで動作することができる。場合によっては、プロセッサは、非一時的コンピュータ可読記憶媒体に記憶された１つ以上の命令を実行することによって、本明細書に記載の機能を果たすように構成され得る。
【0153】
一例示的な実施形態では、本図の任意の数の電気回路が、関連する電子デバイスの基板上に実装され得る。基板は、電子デバイスの内部電子システムの様々なコンポーネントを保持することができ、更に、他の周辺装置のためのコネクタを提供することができる、一般的な回路基板とすることができる。より具体的には、基板は、電気接続を提供することができ、これにより、システムの他のコンポーネントが電気的に通信することができる。任意の適切なプロセッサ（ＤＳＰ、マイクロプロセッサ、サポートチップセット、等を含む）、コンピュータ可読の非一時的メモリ素子、等を、特定の構成ニーズ、処理要求、コンピュータ設計、等に基づいて、基板に適切に結合することができる。外部ストレージ、追加センサ、オーディオ／ビデオディスプレイ用コントローラ、及び周辺デバイスなどの他のコンポーネントが、プラグインカードとして、ケーブルを介して、基板に取り付けられ得、又は基板自体に一体化され得る。様々な実施形態において、本明細書に記載の機能性は、これらの機能をサポートする構造内に配置された１つ以上の構成可能な（例えば、プログラム可能な）要素内で作動するソフトウェア又はファームウェアとして、エミュレーション形式で実装され得る。エミュレーションを提供するソフトウェア又はファームウェアは、プロセッサがそれらの機能性を果たすのを可能にする命令を含む、非一時的コンピュータ可読記憶媒体上に提供され得る。
【0154】
別の例示的な実施形態では、本図の電気回路は、独立型モジュール（例えば、特定のアプリケーション又は機能を行うように構成された関連のコンポーネント及び回路を備えるデバイス）として実装され得るか、又は電子デバイスの特定用途向けハードウェアへのプラグインモジュールとして実装され得る。本開示の特定の実施形態は、部分的、又は全体的のいずれかで、システムオンチップ（ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ、ＳＯＣ）パッケージ内に容易に含めることができることを留意されたい。ＳＯＣは、コンピュータ又は他の電子システムのコンポーネントを単一のチップ内に統合するＩＣを表す。これは、デジタル、アナログ、ミックスドシグナル、そして多くの場合ＲＦの機能を含み得、これらの機能の全ては、単一のチップ基板上で提供され得る。他の実施形態は、単一の電子パッケージ内に位置し、電子パッケージを通じて互いに密接に相互作用するように構成された、複数の別個のＩＣを備えたマルチチップモジュール（ｍｕｌｔｉ－ｃｈｉｐ－ｍｏｄｕｌｅ、ＭＣＭ）を含み得る。
【0155】
また、本明細書で概略を述べた仕様、寸法、及び関係（例えば、図１～図１２に示されている装置、ＤＰＤ配置、及び／又はＲＦトランシーバのコンポーネントの数）は、単に、例示及び教示のみを目的として提供されていることに留意することが不可欠である。そのような情報は、本開示の趣旨、又は添付の特許請求の範囲から逸脱せずに大きく変動し得る。システムは、任意の好適な様態で固められ得ると理解されたい。同様の設計代替案に沿って、本図の例解された回路、コンポーネント、モジュール、及び要素のいずれも、様々な可能な構成で組み合わせることができ、これらの全ては、明らかに、本明細書の広義の範囲内にある。前述の説明では、例示的な実施形態を、特定のプロセッサ及び／又はコンポーネントの配置を参照して説明した。添付の特許請求の範囲から逸脱することなく、このような実施形態に対して様々な修正及び変更を加えることができる。したがって、説明及び図面は、限定的な意味ではなく、例解的な意味で捉えられるべきである。
【0156】
本明細書で提供される多くの実施例では、相互作用は、２つ、３つ、４つ、又はそれ以上の電気的コンポーネントに関して説明され得ることに留意すべきである。しかしながら、これは、明瞭化及び例示のみの目的でなされたものである。システムは、任意の好適な様態で固められ得ると理解されたい。同様の設計の代替手段に沿って、図の例解されたコンポーネント、モジュール、及び要素のいずれかは、様々な可能な構成に組み合わせられ得、それらの全ては、明らかに本明細書の広範な範囲内にある。場合によっては、ただ限られた数の電気要素を参照することによって、所与のセットのフローの機能性の１つ以上を説明する方が容易である場合がある。図の電気回路及びその教示は、容易に拡張可能であり、多数のコンポーネント、並びにより複雑で／洗練された配置及び構成に対応することができることを理解されるべきである。したがって、提供された実施例は、範囲を限定、又は無数の他のアーキテクチャに潜在的に適用される電気回路の広範な教示を阻害するべきではない。
【0157】
本明細書において、「一実施形態」、「例示的実施形態」、「実施形態」、「別の実施形態」、「いくつかの実施形態」、「様々な実施形態」、「他の実施形態」、「代替の実施形態」、などに含まれる様々な特徴（例えば、要素、構造、モジュール、コンポーネント、ステップ、演算、特性、等）への参照は、任意のそのような特徴が、本開示の１つ以上の実施形態に含まれるが、同じ実施形態において組み合わされてもよく、又は必ずしも組み合わされなくてもよいことを意味するように意図されていることに留意されたい。また、特許請求の範囲を含めて、本明細書で使用されるとき、項目のリスト（例えば、「少なくとも１つの」又は「１つ以上の」などの語句によって前置きされた項目のリスト）において使用される「又は」は、例えば、［少なくとも１つのＡ、Ｂ、又はＣ］のリストは、Ａ又はＢ又はＣ又はＡＢ又はＡＣ又はＢＣ又はＡＢＣ（すなわち、ＡかつＢかつＣ）を意味するように、包括的なリストを示す。
【0158】
例解する実施形態の様々な態様は、自分の仕事の内容を他の当業者に伝えるために、当業者によって一般的に採用される用語を使用して説明されている。例えば、「接続された」という用語は、いずれかの中間デバイス／コンポーネントなしに接続されているものの間の直接電気的接続を意味するが、「結合された」という用語は、接続されているものの間の直接電気的接続、又は１つ以上の受動的若しくは能動的な中間デバイス／コンポーネントを介した間接接続のいずれかを意味する。別の実施例では、「回路」という用語は、所望の機能を提供するために互いに協働するように配置された１つ以上の受動的及び／又は能動的コンポーネントを意味する。また、本明細書で使用される場合、「実質的に」、「ほぼ」、「約」、等の用語は、本明細書に記載されている、又は当技術分野で知られている特定の値の文脈に基づいて、目標値の＋／－２０％以内、例えば、目標値の＋／－１０％以内であることを概して指すのに使用され得る。
【0159】
多数の他の変更、置換、変形、改変、及び修正が、当業者に確認される場合があり、本開示は、実施例及び添付の特許請求の範囲内にあるような全てのそのような変更、置換、変形、改変、及び修正を包含することが意図される。上述の装置の全ての任意選択の特徴はまた、本明細書に記載の方法又はプロセスに関して実装され得、実施例の詳細は、１つ以上の実施形態においてどこでも使用され得ることに留意されたい。
【符号の説明】
【0160】
１００ ＲＦトランシーバ
１０２ 入力信号
１０４ 出力信号
１１０ ＤＰＤ回路
１１２ ＤＰＤアクチュエータ回路
１１４ アクチュエータ
１１６ コンバイナ
１２０ 送信機回路
１２２ デジタルフィルタ
１２４ デジタルアナログコンバータ
１２６ アナログフィルタ
１２８ ミキサ
１３０ ＰＡアレイ
１３１ 出力信号
１４０ アンテナアレイ
１５０ 受信機回路
１５１ フィードバック信号
１５２ デジタルフィルタ
１５４ アナログデジタルコンバータ
１５６ アナログフィルタ
１５８ ミキサ
１６０ ローカル発振器（ＬＯ）
２００、３００、４００、５００、７００、８００、９００、１０００ ＤＰＤ配置
２０２、２０４、３０４、４０２、５０２ 出力信号
６００ スキーム
６０２ データ
６１０ ニューラルネットワークモデル
６１２ 量子化
６１４ ニューラルネットワークモデル表現
６３０ 信号加算回路
６４０ 後処理回路
６４２ 後処理信号
６６０ キャプチャバッファ
６６２ 信号
６７０ ニューラルネットアクセラレータ
６７４ 内部状態
６７６ 出力信号
６８０ アップサンプリング回路
６８２ ダウンサンプリング回路
６８３ 信号
７１０、７１２、７１４ 遅延回路
７２０ アライメントバッファ
７３０ 特徴生成ブロック
７３４ 信号
７４０ ダウンサンプリング回路
７５０ Ｓ／Ｐ回路
７５２ 信号
７６０ ニューラルネットアクセラレータ
７６２ アップサンプリング回路
７６３ 出力信号
８１０ 加算回路
８２０ 乗算回路
８２２ 信号
８３０ ＬＰＦ回路
８３２ 信号
８４０ アップサンプリング回路
８４２ 信号
９１０ 加算回路
９２０ 乗算回路
９２２ 信号
９３０ ＬＰＦ回路
９３２ 信号
９４０ アップサンプリング回路
９４２ 信号
１０１０ 加算回路
１０２０ ニューラルネットワーク
１０２２ 信号
１０３０ ＬＰＦ回路
１０３２ 信号
１０４０ アップサンプリング回路
１０４２ 信号
１１００ 実装
１１０２ ＰＡ状態推定フェーズ
１１０４ ＰＡ状態予測フェーズ
１１１０ 変換
１１１２ ダウンサンプリング回路
１１１４ 信号
１１１６ 推定ニューラルネットワークモデル
１１１８ 推定ＰＡ状態
１１１９ 推定ＰＡ状態
１１２０ 変換
１１２２ ダウンサンプリング
１１２４ 信号
１１２６ 予測ニューラルネットワークモデル
１１２８ 予測ＰＡ状態
１１２９ 予測ＰＡ状態
１１３０ 共有ストレージ
１１３２ 遅延回路
１１３４ 状態情報
１２００ ハードウェアアーキテクチャ
１２１０ メモリ
１２１２ 推定ニューラルネットワークモデル情報
１２１４ 予測ニューラルネットワークモデル情報
１２２０ マルチプレクサ
１２２２ フィードバック信号有効性指示信号
１２３０ 推論コントローラ
１２４０ ニューラルネットプロセッサ
１２５０ アクティベーションメモリ
１２５２ 入力データ
１２５４ 再帰状態情報
１２５６ 出力データ
１２６０ ＤＭＡコントローラ
１０２ 入力信号
１０４ 出力信号
１１０ ＤＰＤ回路
１１２ ＤＰＤアクチュエータ回路
１１４ アクチュエータ
１１６ コンバイナ
１２０ 送信機回路
１２２ デジタルフィルタ
１２４ デジタルアナログコンバータ
１２６ アナログフィルタ
１２８ ミキサ
１３０ ＰＡアレイ
１３１ 出力信号
１４０ アンテナアレイ
１５０ 受信機回路
１５１ フィードバック信号
１５２ デジタルフィルタ
１５４ アナログデジタルコンバータ
１５６ アナログフィルタ
１５８ ミキサ
１６０ ローカル発振器（ＬＯ）
２００、３００、４００、５００、７００、８００、９００、１０００ ＤＰＤ配置
２０２、２０４、３０４、４０２、５０２ 出力信号
６００ スキーム
６０２ データ
６１０ ニューラルネットワークモデル
６１２ 量子化
６１４ ニューラルネットワークモデル表現
６３０ 信号加算回路
６４０ 後処理回路
６４２ 後処理信号
６６０ キャプチャバッファ
６６２ 信号
６７０ ニューラルネットアクセラレータ
６７４ 内部状態
６７６ 出力信号
６８０ アップサンプリング回路
６８２ ダウンサンプリング回路
６８３ 信号
７１０、７１２、７１４ 遅延回路
７２０ アライメントバッファ
７３０ 特徴生成ブロック
７３４ 信号
７４０ ダウンサンプリング回路
７５０ Ｓ／Ｐ回路
７５２ 信号
７６０ ニューラルネットアクセラレータ
７６２ アップサンプリング回路
７６３ 出力信号
８１０ 加算回路
８２０ 乗算回路
８２２ 信号
８３０ ＬＰＦ回路
８３２ 信号
８４０ アップサンプリング回路
８４２ 信号
９１０ 加算回路
９２０ 乗算回路
９２２ 信号
９３０ ＬＰＦ回路
９３２ 信号
９４０ アップサンプリング回路
９４２ 信号
１０１０ 加算回路
１０２０ ニューラルネットワーク
１０２２ 信号
１０３０ ＬＰＦ回路
１０３２ 信号
１０４０ アップサンプリング回路
１０４２ 信号
１１００ 実装
１１０２ ＰＡ状態推定フェーズ
１１０４ ＰＡ状態予測フェーズ
１１１０ 変換
１１１２ ダウンサンプリング回路
１１１４ 信号
１１１６ 推定ニューラルネットワークモデル
１１１８ 推定ＰＡ状態
１１１９ 推定ＰＡ状態
１１２０ 変換
１１２２ ダウンサンプリング
１１２４ 信号
１１２６ 予測ニューラルネットワークモデル
１１２８ 予測ＰＡ状態
１１２９ 予測ＰＡ状態
１１３０ 共有ストレージ
１１３２ 遅延回路
１１３４ 状態情報
１２００ ハードウェアアーキテクチャ
１２１０ メモリ
１２１２ 推定ニューラルネットワークモデル情報
１２１４ 予測ニューラルネットワークモデル情報
１２２０ マルチプレクサ
１２２２ フィードバック信号有効性指示信号
１２３０ 推論コントローラ
１２４０ ニューラルネットプロセッサ
１２５０ アクティベーションメモリ
１２５２ 入力データ
１２５４ 再帰状態情報
１２５６ 出力データ
１２６０ ＤＭＡコントローラ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【国際調査報告】