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.
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
8
Figura N° 1. Etapas del modelado del PA usando ANNs. Fuente: Elaboración
propia, 2024.
En primer lugar, el modelo propuesto puede ser visualizado como un sistema de
entrada y salida. Las señales de entrada comprenden los datos experimentales
proporcionados por el fabricante del amplicador de potencia, que incluyen la
ganancia, la respuesta AM/AM y la respuesta AM/PM en diversas condiciones
operativas. Estos datos son esenciales para entrenar y validar la red neuronal
articial (ANN), que se convierte en el núcleo del sistema.
El modelo de machine learning se diseñó considerando las siguientes variables:
● Entrada: Voltaje de entrada.
● Salida: Voltaje de salida y fase.
Figura N° 2. Modelo del amplicador de potencia con ANN: entradas (datos
experimentales) y salidas (voltaje y fase predichos). Fuente: Elaboración propia,
2024.
Esta conguración permite que la red neuronal articial procese ecientemente
la información de entrada y genere predicciones precisas del voltaje de salida y la
fase correspondiente. Esencialmente, la red neuronal actúa como un componente
central que interpreta los datos experimentales y los transforma en salidas útiles, lo
que proporciona un marco sólido para entender y modelar el comportamiento del
amplicador de potencia.
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
9
2.1. Obtención de los datos
Se obtuvieron los datos experimentales del datasheet del amplicador comercial
TGA4548, operando en la banda de frecuencia de 17 a 20 GHz, con énfasis en la
frecuencia central de 17.7 GHz. Se seleccionaron las respuestas de ganancia (dB) y
AM-PM (grados) como las variables principales para el modelado.
Figura N° 3. Grácas de Ganancia (dB) y AM-PM (grados). Fuente: Datasheet
amplicador TGA4548, 2020.
Dado que la potencia de salida en la gráca de fase varía entre 26 y 40 dBm, se limitó
la simulación del comportamiento del amplicador a este rango. En consecuencia,
se consideraron solo los datos en esta región para la gráca de ganancia y potencia
de salida, las cuales varían para una potencia de entrada desde aproximadamente
-7 hasta 11 dBm.
Se realizó la digitalización manual de las grácas para obtener datos tabulares que
representaran el comportamiento del amplicador. Posteriormente, se calcularon
los voltajes de entrada y salida utilizando ecuaciones matemáticas derivadas de los
datos tabulares:
Para calcular el voltaje de entrada:
Para calcular el voltaje de salida:
La fase se convierte a radianes:
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
10
2.2. Entrenamiento del Modelo
Se utilizó un script de Python, cuyo ujograma se muestra a continuación:
Figura N° 4. Flujograma del script usado para crear el modelo. Fuente:
Elaboración propia, 2024.
El entrenamiento del modelo se realizó utilizando un archivo de texto generado
previamente, el cual contiene los datos de voltaje de entrada, voltaje de salida y
fase. Se conguró la red neuronal con 1 capa de entrada y 1 capa oculta, ambas
con 5 nodos. Durante este proceso, se generaron dos archivos: uno que contiene los
datos de salida del modelo, y el otro presenta el modelo en forma de ecuación, que
se describe a continuación:
Donde:
Y donde:
Las constantes son generadas en el entrenamiento.
2.3. Implementación en ADS
Las ecuaciones del modelo se implementaron en un esquemático de ADS utilizando
variables, permitiendo su integración en el entorno de simulación de ADS. Se
utilizó un controlador de equilibrio armónico HB, con la potencia de entrada como
parámetro, variando desde -7 dBm hasta 11 dBm. Para conectar el modelo con la
entrada y salida del circuito, se empleó el componente FDD (Frequency Domain
Dened Device) proporcionado por ADS. Con FDD, se puede detectar la señal
eléctrica en cualquier puerto y convertirla en parte de una función, permitiendo un
control preciso de la entrada y salida del circuito.
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
11
3. RESULTADOS
Se procedió a la simulación del modelo para obtener las respuestas grácas de
diversas variables de interés. Entre estas variables se incluyeron la potencia de
entrada y salida, la fase, la ganancia.
Figura N° 5. Resultados obtenidos de la simulación. Fuente: Elaboración propia,
2024.
4. DISCUSIÓN, DESARROLLO Y ANÁLISIS
4.1 Discusión
Se consideraron las siguientes especicaciones para el componente FDD:
- El voltaje de entrada del FDD es _sv(1,1), entonces para emular una
resistencia de entrada de 50 ohms se estableció la corriente de entrada en
I[1,1]=_sv(1,1)/50 (I=V/R)
- El voltaje de salida del FDD es V[2,1], presentado de manera polar como:
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
12
Para validar el modelo, se presenta a continuación una tabla que compara los datos
originales con los generados por el modelo. Adicionalmente, se calcula porcentaje
de error para las dos variables estimadas: el voltaje de salida y la fase.
DATASHEET MODELO
vin vout fase vout fase
0,14125375 6,30957344 -0,00785398 6,27018834 -0,00783111
0,17782794 7,76247117 0,003490659 7,74928015 0,00429459
0,19952623 8,51138038 0,007853982 8,56274395 0,00863299
0,22387211 9,44060876 0,013613568 9,46581474 0,01323755
0,25118864 10,4712855 0,018849556 10,4655031 0,01805527
0,28183829 11,6144861 0,023212879 11,5675636 0,02300346
0,31622777 12,7350308 0,027401669 12,7759207 0,02793755
0,35481339 14,1253754 0,031241394 14,1089305 0,03122337
0,39810717 15,4881662 0,03281219 15,4468009 0,03281915
0,44668359 16,9824365 0,040491639 16,9324399 0,03994675
0,50118723 18,6208714 0,039793507 18,6599488 0,04062058
0,56234133 20,4173794 0,040491639 20,4419864 0,04077219
0,63095734 22,1309471 0,040666172 22,2535082 0,04030093
0,70794578 23,9883292 0,039793507 24,0730245 0,03903895
0,79432823 26,0015956 0,036302848 25,8860102 0,03683531
0,89125094 27,8612117 0,033161256 27,6906702 0,03356849
1 29,5120923 0,029670597 29,5036296 0,02915535
1,12201845 31,2607937 0,023387412 31,3650408 0,02355591
porcentaje de error vout 0,32104739
porcentaje de error fase 3,06759033
Como se puede observar, los valores del porcentaje de error para ambas variables, el
voltaje de salida y la fase, se encuentran dentro de un rango considerado aceptable
para la precisión del modelo. Este resultado sugiere una adecuada concordancia
entre los datos originales y los generados, lo cual valida la capacidad predictiva
del modelo bajo las condiciones evaluadas. Existe la posibilidad de mejorar la
precisión incrementando el número de nodos en la capa de entrada y en las capas
ocultas, o bien, aumentando el número de capas ocultas. Sin embargo, esto también
incrementaría la complejidad del modelo.
Para mejor visualización de los resultados se convierten los resultados a sus
equivalentes en potencia de entrada, potencia de salida, y fase, y se comparan estos
con las grácas provenientes del datasheet, se estableció un rango apropiado a las
grácas de simulación, y se editó la gráca de ganancia y potencia de salida del
datasheet para mejor visualización:
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
13
Figura N° 6. Comparación de las respuestas de ganancia y potencia de salida.
Fuente: Elaboración propia, 2024.
Figura N° 7. Comparación de las respuestas de fase. Fuente: Elaboración propia,
2024.
Se aprecia una notable similitud entre las respuestas del modelo y las especicaciones
del datasheet del amplicador comercial. Las grácas de ganancia, potencia de
salida y fase del modelo exhiben una tendencia similar a las del datasheet, aunque
se observan pequeñas diferencias que podrían atribuirse a la naturaleza del proceso
de modelado.
5. CONCLUSIONES
El presente trabajo ha alcanzado un modelado exitoso del comportamiento de un
amplicador de radiofrecuencia (RF) utilizando técnicas de Machine Learning.
La validación del modelo se llevó a cabo mediante su comparación con el
comportamiento real de un amplicador comercial. Los resultados obtenidos de
JOURNAL BOLIVIANO DE CIENCIAS – Vol. 20 – Número 55
ISSN Digital: 2075-8944 ISSN Impreso: 2075-8936
14
esta comparación revelaron una notable concordancia entre ambos, lo que conrma
la precisión y abilidad del modelo desarrollado en este estudio.
El trabajo realizado representa un avance signicativo en el ámbito del modelado de
amplicadores RF. La aplicación de técnicas de Machine Learning en este contexto
abre nuevas posibilidades para el desarrollo de modelos más precisos y ecientes,
los cuales pueden ser utilizados para optimizar el diseño y análisis de amplicadores
en sistemas de comunicación 5G y otras aplicaciones de relevancia tecnológica.
Las implicaciones y aplicaciones de este trabajo son amplias y prometedoras y
abre un abanico de posibilidades para el desarrollo de modelos más precisos de
componentes y sistemas electrónicos en diferentes áreas de la ingeniería, como la
electrónica de potencia, la electrónica de control y la electrónica automotriz, entre
otras.
7. REFERENCIAS
Colzani, A., Fumagalli, M., Fonte, A., Traversa, A., & Ture, E. (2022, September).
Long-Reach E-band HPA for 5G Radio Link. In 2022 52nd European Microwave
Conference (EuMC) (pp. 760-763). IEEE.
Dikmese, S., Anttila, L., Campo, P. P., Valkama, M., & Renfors, M. (2019, August).
Behavioral modeling of power ampliers with modern machine learning techniques.
In 2019 IEEE MTT-S International Microwave Conference on Hardware and
Systems for 5G and Beyond (IMC-5G) (pp. 1-3). IEEE.
Huo, Y., Dong, X., & Xu, W. (2017). 5G cellular user equipment: From theory to
practical hardware design. IEEE Access, 5, 13992-14010.
Ji, H. G., Jeong, J. H., & Kang, D. M. (2023). Balanced GaN HPA MMIC for
5G FR2 Band Base Station. The Journal of Korean Institute of Electromagnetic
Engineering and Science, 34(6), 444-449.
Liu, B., Deferm, N., Zhao, D., Reynaert, P., & Gielen, G. G. (2012). An ecient
high-frequency linear RF amplier synthesis method based on evolutionary
computation and machine learning techniques. IEEE Transactions on Computer-
Aided Design of Integrated Circuits and Systems, 31(7), 981-993.
Ma, R., Benosman, M., Manjunatha, K. A., Komatsuzaki, Y., Shinjo, S., Teo, K.
H., & Orlik, P. V. (2018, August). Machine-learning based digital Doherty power
amplier. In 2018 IEEE International Symposium on Radio-Frequency Integration
Technology (RFIT) (pp. 1-3). IEEE.
Mounir, M., El Mashade, M. B., Aboshosha, A. M., & Youssef, M. I. (2022).
Impact of HPA nonlinearity on the performance of power domain OFDM-NOMA
system. Engineering Research Express, 4(2), 025004.
Qorvo (2020, diciembre 15). Data Sheet del amplicador TGA4548.
Xiao, K., & Zhang, W. (2021, April). Systematic study on hardware optimization
of 5G communication. In 2021 5th International Conference on Computing
Methodologies and Communication (ICCMC) (pp. 92-96). IEEE.
Yang, Y., Xu, J., Shi, G., & Wang, C. X. (2018). 5G wireless systems. Springer
International Publishing.
