Tổng quan nghiên cứu

Trong các hệ thống truyền thông không dây hiện đại, mạch khuếch đại công suất siêu cao tần (RF Power Amplifier - PA) chiếm từ 50% đến 70% tổng năng lượng tiêu thụ của toàn bộ khối máy phát. Để đạt hiệu suất sử dụng năng lượng tối ưu, mạch PA thường được vận hành gần điểm bão hòa công suất. Tuy nhiên, khi hoạt động ở chế độ này, đặc tính phi tuyến mạnh kết hợp với hiệu ứng nhớ (memory effects) khiến tín hiệu bị biến dạng nghiêm trọng, làm mở rộng phổ công suất sang các kênh lân cận và làm tăng tỷ lệ lỗi bit (BER) ở đầu thu. Vấn đề cốt lõi đặt ra là làm thế nào để mô hình hóa chính xác hành vi phi tuyến và hiệu ứng nhớ của PA nhằm phục vụ thiết kế các thuật toán bù méo số (Digital Predistortion - DPD) mà không phải chịu gánh nặng tính toán phức tạp của các mô hình cấp độ vật lý.

Mục tiêu cụ thể của đề tài là xây dựng mô hình hành vi hộp đen (black-box behavioral model) cho mạch khuếch đại siêu cao tần sử dụng mạng neuron hồi quy phi tuyến có tín hiệu vào ngoại sinh (NARX). Nghiên cứu tập trung thu thập dữ liệu vào/ra từ phần mềm mô phỏng chuyên dụng ADS trên hai dạng tín hiệu phổ biến: tín hiệu 2-tone tại tần số sóng mang 1,9 GHz (độ lệch tần số 10 MHz) và tín hiệu băng rộng W-CDMA chuẩn 3GPP uplink. Luận văn được hoàn thành vào tháng 01 năm 2013 tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh. Kết quả nghiên cứu có ý nghĩa thực tiễn to lớn khi giúp giảm hơn 80% thời gian mô phỏng so với phương pháp mạch tương đương truyền thống, đồng thời đạt sai số toàn phương trung bình (MSE) ở mức cực thấp, mở ra giải pháp tối ưu cho việc bảo vệ bản quyền thiết kế vi mạch và phát triển các hệ thống truyền thông không dây băng rộng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên hai trụ cột lý thuyết chính: lý thuyết nhận dạng hệ thống phi tuyến và lý thuyết mạng neuron nhân tạo (ANN). Khác với mô hình vật lý đòi hỏi phải nắm rõ thông số linh kiện bán dẫn bên trong vi mạch, mô hình hành vi tiếp cận đối tượng như một hộp đen, mô tả mối quan hệ toán học giữa bao hình phức của tín hiệu ngõ vào và tín hiệu ngõ ra.

Khung phân tích tập trung vào các khái niệm nền tảng bao gồm:

  1. Đặc tính biến đổi biên độ - biên độ (AM-AM) và biên độ - pha (AM-PM), phản ánh độ phi tuyến tĩnh không nhớ của mạch PA.
  2. Hiệu ứng nhớ phi tuyến (Nonlinear Memory Effects), hiện tượng ngõ ra tại thời điểm tức thời phụ thuộc vào cả các giá trị tín hiệu vào và ra trong quá khứ do ảnh hưởng nhiệt và mạng phân cực nguồn.
  3. Méo điều chế tương hỗ (Intermodulation Distortion - IMD), nguyên nhân gây suy giảm chất lượng tín hiệu và giao thoa kênh.
  4. Cấu trúc mạng neuron NARX động có trễ thời gian (TDNN), biểu diễn hàm phi tuyến đa chiều thông qua các lớp ẩn và các nhánh trễ hồi tiếp, khắc phục hạn chế bùng nổ tham số của chuỗi Volterra truyền thống hay mô hình đa thức.

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được tạo lập thông qua môi trường mô phỏng vi sóng chuyên nghiệp Advanced Design System (ADS). Tác giả thiết kế mạch khuếch đại chuẩn và kích thích bởi hai kịch bản tín hiệu: tín hiệu 2-tone với khoảng cách kênh 20 MHz và tín hiệu biến điệu số W-CDMA băng thông 3,84 MHz.

Về quy mô mẫu và phương pháp chọn mẫu, tập dữ liệu bao gồm 4.000 mẫu bao hình thời gian liên tục được trích xuất với chu kỳ lấy mẫu đồng nhất Ts. Dữ liệu được phân chia theo tỷ lệ tiêu chuẩn: 70% mẫu dành cho quá trình huấn luyện (training), 15% cho kiểm tra (testing) và 15% cho xác nhận (validation) nhằm đảm bảo tính bao quát của toàn bộ dải biến thiên công suất đỉnh trên trung bình (PAPR).

Lý do lựa chọn phương pháp phân tích bằng mạng NARX là nhờ khả năng xấp xỉ toàn cục xuất sắc và tính toán song song nhanh chóng. Mạng neuron sử dụng thuật toán lan truyền ngược Levenberg-Marquardt kết hợp hàm kích hoạt sigmoid phi tuyến, cho phép mô hình tự động thích nghi với cả tín hiệu nhỏ lẫn tín hiệu bão hòa mạnh. Toàn bộ quá trình nghiên cứu, xây dựng mô hình và đánh giá thực nghiệm được thực hiện liên tục trong khung thời gian từ tháng 11 năm 2012 đến tháng 01 năm 2013.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và kiểm nghiệm mô hình hành vi NARX cho thấy nhiều kết quả nổi bật:

Thứ nhất, đối với tín hiệu kích thích 2-tone tại tần số trung tâm 1,9 GHz, mô hình NARX thể hiện tốc độ hội tụ rất nhanh, đạt trạng thái tối ưu chỉ sau 50 chu kỳ huấn luyện (epochs). Sai số toàn phương trung bình (MSE) giữa tín hiệu mô hình và dữ liệu chuẩn ADS đạt giá trị cực thấp, xấp xỉ 2,1 x 10^-4 (tương đương sai số chuẩn hóa NMSE dưới -38 dB).

Thứ hai, với tín hiệu W-CDMA băng thông rộng có hệ số PAPR cao, mô hình mạng neuron tái tạo chính xác độ mở rộng phổ công suất sang hai kênh lân cận (ACPR). Độ lệch công suất phổ giữa dữ liệu đo đạc mô phỏng và ngõ ra của mô hình NARX ở vùng kênh lân cận nhỏ hơn 0,7 dB trên toàn dải động 40 dB.

Thứ ba, cấu trúc mô hình động với 2 bậc trễ ngõ ra và 3 bậc trễ ngõ vào đã triệt để nắm bắt được hơn 95% hiện tượng trễ biên độ và độ phân tán pha do hiệu ứng nhớ gây ra, tái hiện hoàn hảo các nhánh bất đối xứng của méo IMD bậc 3 và bậc 5.

Thứ tư, về hiệu năng tính toán, mô hình hành vi NARX giúp rút ngắn thời gian thực thi tính toán khoảng 82% so với phương pháp cân bằng họa tần (Harmonic Balance) và mô phỏng mạch tương đương cấp độ SPICE trên cùng một cấu hình máy tính.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình NARX đạt độ chính xác vượt trội là nhờ cơ chế hồi tiếp đệ quy kết hợp với các phần tử trễ thời gian rời rạc. Trong thực tế, khi mạch PA hoạt động với tín hiệu băng rộng, sự thay đổi công suất bao hình nhanh chóng tạo ra các đáp ứng nhiệt động lực học và biến thiên trở kháng đường cấp nguồn, dẫn đến hiệu ứng nhớ phi tuyến. Các mô hình không nhớ truyền thống thường xuất hiện sai số từ 15% đến 20% khi dự đoán công suất đỉnh. Trong khi đó, chuỗi Volterra bậc cao tuy mô tả được hiệu ứng nhớ nhưng lại đòi hỏi hàng trăm hệ số nhân phức tạp, rất khó hội tụ. Mạng NARX giải quyết triệt để bài toán này bằng cách tối ưu hóa không gian trọng số thông qua một lớp ẩn duy nhất gồm 10 đến 15 neuron.

Khi biểu diễn trên đồ thị mật độ phổ công suất (PSD), đường cong ngõ ra của mô hình NARX hoàn toàn trùng khít với dữ liệu tham chiếu ADS trên dải tần số khảo sát từ 1,88 GHz đến 1,92 GHz. Đồ thị phân tán AM-AM và AM-PM cũng chứng minh mô hình bám sát đặc tính nén biên độ và dịch pha của transistor công suất, khẳng định tính đúng đắn và độ tin cậy cao của phương pháp đề xuất.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 khuyến nghị then chốt nhằm thúc đẩy ứng dụng mô hình hành vi trong công nghiệp viễn thông:

  1. Tích hợp mô hình đảo NARX vào bộ tiền méo số (DPD): Các kỹ sư thiết kế phần cứng viễn thông cần áp dụng thuật toán học đảo để xây dựng mạch DPD số trên chip FPGA hoặc vi xử lý DSP. Mục tiêu là triệt tiêu méo phi tuyến, cải thiện chỉ số ACPR từ 12 dB đến 18 dB, triển khai trong lộ trình từ 6 đến 9 tháng.
  2. Mở rộng dải động và kiểm thử chéo tín hiệu (Cross-validation): Nhóm nghiên cứu tại các trường đại học và viện nghiên cứu cần thử nghiệm mô hình đã huấn luyện từ dữ liệu W-CDMA trên các dạng tín hiệu 2-tone và LTE/OFDM băng thông 10 MHz đến 20 MHz. Mục tiêu là nâng cao tính khái quát hóa của mô hình trong thời gian 4 đến 6 tháng tới.
  3. Tối ưu hóa cấu trúc mạng neuron cho thiết bị di động: Các nhà phát triển thuật toán cần thực hiện kỹ thuật tỉa nhánh (pruning) và lượng tử hóa trọng số nhằm giảm số lượng neuron ẩn từ 15 xuống 8 neuron, giúp tiết kiệm 35% tài nguyên tính toán và giảm điện năng tiêu thụ trên thiết bị cầm tay trong vòng 3 tháng.
  4. Xây dựng quy trình tự động hóa đo kiểm và mô phỏng: Các phòng thí nghiệm vi điện tử nên thiết lập liên kết tự động giữa phần mềm ADS và công cụ tính toán ma trận để liên tục cập nhật tham số mô hình theo thời gian thực, hoàn thành khung làm việc chuẩn trong 6 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp trong luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng cụ thể:

  1. Kỹ sư thiết kế mạch RF và vi mạch tích hợp (RFIC): Ứng dụng mô hình hộp đen để mô phỏng nhanh chóng hiệu năng của khối khuếch đại công suất ở mức độ hệ thống mà không cần tiết lộ cấu trúc mạch nội bộ, bảo vệ quyền sở hữu trí tuệ của doanh nghiệp.
  2. Chuyên gia phát triển thuật toán xử lý tín hiệu số (DSP): Sử dụng kiến trúc mạng NARX để thiết kế các bộ bù méo trước số hóa (DPD) thời gian thực, nâng cao độ tuyến tính cho trạm thu phát gốc di động.
  3. Học viên cao học và nghiên cứu sinh chuyên ngành Điện tử - Viễn thông: Nắm bắt phương pháp luận nghiên cứu về nhận dạng hệ thống phi tuyến, mô hình hóa hiệu ứng nhớ và ứng dụng trí tuệ nhân tạo trong xử lý tín hiệu siêu cao tần.
  4. Các nhà sản xuất thiết bị viễn thông không dây: Tận dụng giải pháp mô phỏng hành vi để rút ngắn tới 75% chu kỳ phát triển sản phẩm mới và cắt giảm chi phí đo kiểm thực nghiệm đắt đỏ trên phần cứng.

Câu hỏi thường gặp

  1. Tại sao mô hình hành vi NARX lại ưu việt hơn mô hình vật lý của mạch PA? Mô hình vật lý đòi hỏi phải nắm rõ cấu trúc bán dẫn bên trong và giải các hệ phương trình vi phân phức tạp, tốn nhiều giờ tính toán. Mô hình hành vi NARX đóng vai trò như hộp đen, chỉ cần dữ liệu vào/ra để tái tạo chính xác hoạt động của mạch, giúp giảm trên 80% thời gian mô phỏng và bảo vệ bí mật thiết kế vi mạch.

  2. Hiệu ứng nhớ trong mạch khuếch đại siêu cao tần sinh ra từ đâu? Hiệu ứng nhớ sinh ra do sự biến thiên nhiệt độ tức thời của linh kiện bán dẫn và sự thay đổi trở kháng của mạng phân cực nguồn khi xử lý tín hiệu có bao hình biến thiên mạnh. Hiện tượng này làm cho đáp ứng ngõ ra phụ thuộc vào cả trạng thái quá khứ của tín hiệu, gây ra hiện tượng méo trễ và méo bất đối xứng.

  3. Mạng NARX giải quyết hiệu ứng nhớ của mạch PA như thế nào? Mạng NARX tích hợp các nhánh trễ thời gian cho cả tín hiệu vào và tín hiệu hồi tiếp ngõ ra. Nhờ cấu trúc đệ quy này, mạng lưu trữ và xử lý hiệu quả các thông tin trạng thái quá khứ, mô phỏng chính xác các đường cong trễ trong đặc tuyến AM-AM và AM-PM mà mô hình tĩnh không thể thực hiện được.

  4. Phần mềm ADS đóng vai trò gì trong đề tài nghiên cứu này? Phần mềm ADS (Advanced Design System) là công cụ thiết kế và mô phỏng vi sóng tiêu chuẩn công nghiệp. Tác giả sử dụng ADS để xây dựng mạch PA mẫu, thực hiện mô phỏng cấp độ mạch với tín hiệu 2-tone và W-CDMA nhằm tạo ra bộ dữ liệu vào/ra có độ chính xác cao phục vụ việc huấn luyện và kiểm chứng mô hình neuron.

  5. Mô hình này có thể mở rộng cho các công nghệ 4G LTE hay 5G không? Hoàn toàn khả thi. Nhờ nguyên lý xấp xỉ hàm phi tuyến toàn cục, cấu trúc NARX có thể dễ dàng thích ứng với các tín hiệu điều chế đa sóng mang OFDM của LTE và 5G (băng thông 20 MHz đến 100 MHz) bằng cách nâng cao bậc trễ và mở rộng tập dữ liệu huấn luyện tương ứng.

Kết luận

  • Đề tài đã xây dựng thành công mô hình hành vi hộp đen cho mạch khuếch đại công suất siêu cao tần trong thông tin di động bằng mạng neuron NARX.
  • Mô hình tái hiện chính xác cả đặc tính phi tuyến tĩnh và hiệu ứng nhớ động phức tạp, đạt giá trị sai số MSE ở mức rất thấp (khoảng 2,1 x 10^-4).
  • Phương pháp được kiểm nghiệm chặt chẽ trên hai dạng tín hiệu thực tế gồm tín hiệu 2-tone tại 1,9 GHz và tín hiệu băng rộng W-CDMA chuẩn 3GPP.
  • Giúp giảm hơn 80% thời gian tính toán mô phỏng so với phương pháp mạch truyền thống, đồng thời đảm bảo bảo mật thiết kế phần cứng vi mạch.
  • Tạo tiền đề khoa học vững chắc để phát triển các giải pháp bù méo số (DPD) tiên tiến, nâng cao hiệu suất năng lượng cho trạm phát sóng di động.

Trong giai đoạn 6 đến 12 tháng tới, các nhóm nghiên cứu nên tiếp tục mở rộng mô hình hóa trên nền tảng tín hiệu đa sóng mang thế hệ mới và tích hợp thử nghiệm trực tiếp trên phần cứng FPGA. Nghiên cứu này là tài liệu tham khảo giá trị cho cộng đồng học thuật và kỹ sư viễn thông đang tìm kiếm giải pháp tối ưu hóa mạch khuếch đại cao tần.