JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
6
Citar como: Chiri Yupanqui,
M. A., & Condori Quispe, H. O.
Modelado del comportamiento
de un amplicador de potencia
para 5G utilizando Machine
Learning. Journal Boliviano De
Ciencias, 20(55) 6-14. https://
doi.org/10.52428/20758944.
v20i55.1101
Revisado: 18/03/2024
Aceptado: 14/06/2024
Publicado: 20/12/2023
Declaración: Derechos de
autor 2024 Miguel Angel Chiri,
Hugo Orlando Condori
Quispe, Esta obra está bajo una
licencia internacional Creative
Commons Atribución 4.0.
Los autores/as declaran no tener
ningún conicto de intereses
en la publicación de este
documento.
Tipo de artículo: Investigación
Modelado del comportamiento de un amplicador de
potencia para 5G utilizando Machine Learning
Modeling the Behavior of a Power Amplier for 5G Using Machine Learning
Miguel Angel Chiri Hugo Orlando Condori Quispe
1. Estudiante. Universidad Mayor de San Andrés. La Paz. Bolivia. ma.chiriyp@gmail.com
2. Ingeniero de Hardware RF, Docente. Universidad Mayor de San Andrés. La Paz. Bolivia.hugo.
condori@fulbrightmail.org
RESUMEN
El propósito principal de esta investigación es modelar el comportamiento de
un amplicador de radiofrecuencia (RF) mediante técnicas de machine learning.
Para lograr este objetivo, se utiliza el software Advanced Design System (ADS)
de Keysight; primero se obtienen los datos de grácas relevantes, los cuales se
transforman en datos tabulares. Estos datos son esenciales para el entrenamiento
del modelo. Se emplea el intérprete de Python de ADS, para este propósito. Los
resultados obtenidos muestran una notable concordancia con el comportamiento
esperado del amplicador RF, lo que conrma la efectividad del enfoque
propuesto. Este hallazgo no sólo valida la viabilidad de modelar amplicadores,
sino que también sugiere la aplicabilidad de estas técnicas en el modelado de
diversos sistemas electrónicos con un alto grado de precisión y abilidad.
Palabras clave: Machine Learning. ADS. Amplicador. Modelado. 5G.
ABSTRACT
The main purpose of this research is to model the behavior of a radio frequency
(RF) amplier using machine learning techniques. To achieve this goal, we
use Keysight’s ADS software. First, relevant data from graphs is obtained and
transformed into tabular data. This data is essential for training the model. The
obtained results show a remarkable agreement with the expected behavior of
the RF amplier, which conrms the eectiveness of the proposed approach.
This nding not only validates the feasibility of modeling ampliers, but
also suggests the applicability of these techniques in the modeling of diverse
electronic systems with a high degree of accuracy and reliability.
Keywords: Machine Learning. ADS. Amplier. Modeling. 5G.
1. INTRODUCCIÓN
1.1. Contexto Tecnológico
Las tecnologías de comunicación inalámbrica están evolucionando a un ritmo
acelerado hacia la quinta generación (5G) (Huo,2017). Esta nueva generación
promete avances sin precedentes en velocidad de datos, latencia y capacidad de
conexión, con el potencial de revolucionar la forma en que nos comunicamos e
interactuamos con el mundo que nos rodea (Yang,2018; Xiom,2021 ).
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
7
Para alcanzar estos objetivos, se requiere un desarrollo tecnológico integral que
abarca diversos aspectos, incluyendo el diseño y optimización de los subsistemas de
hardware que componen las redes 5G. Entre estos subsistemas, los amplicadores
de potencia (PA) juegan un rol fundamental al ser responsables de amplicar las
señales de radiofrecuencia (RF) para su transmisión efectiva (Colzani,2022; Ji,
2023;Mounir,2022 ).
1.2. Relevancia del Modelado
El modelado preciso del comportamiento de los amplicadores de potencia
(PA) resulta fundamental en el desarrollo eciente de sistemas 5G. Los modelos
desempeñan un papel crucial al permitir simular y analizar el comportamiento del
PA en diversas condiciones. Esta capacidad facilita la identicación temprana de
posibles problemas de diseño y la optimización del rendimiento del amplicador,
lo que es esencial para garantizar un funcionamiento óptimo en entornos de
comunicación de alta velocidad como el 5G.
Además, el modelado contribuye signicativamente a la reducción del tiempo
y los costos de desarrollo. Al permitir pruebas virtuales exhaustivas antes de la
construcción de prototipos físicos, los modelos agilizan el proceso de desarrollo
al eliminar la necesidad de iteraciones costosas y prolongadas (Xiaom, 2021; Huo,
2017). Esto no sólo acelera la llegada al mercado de productos 5G, sino que también
reduce los costos asociados con la fabricación y prueba de prototipos físicos, lo
que resulta en un ahorro signicativo para las empresas y los desarrolladores de
tecnología.
1.3. Enfoque Basado en Machine Learning
El Machine Learning (ML) ha emergido como una herramienta poderosa en el
modelado de sistemas complejos (Ma,2018). En el contexto del modelado de
amplicadores de potencia (PA), el ML presenta ventajas signicativas (Dikmese,
2019). Una de ellas radica en su capacidad de aprendizaje a partir de datos. Los
algoritmos de ML tienen la capacidad de aprender de grandes conjuntos de datos,
como las respuestas grácas de ganancia y fase proporcionadas en las hojas de
datos de los PA comerciales (Liu, 2012).
2. METODOLOGÍA
Para desarrollar el modelado del amplicador de potencia (PA) utilizando redes
neuronales articiales (ANNs), se sigue un proceso sistemático que involucra
varias etapas clave.