深度学习通过新颖的合并器设计提升功率放大器效率

研究人员开发了一种新颖的深度学习方法，用于设计包含像素化输出合并器网络的Doherty功率放大器（PAs）。该方法利用深度卷积神经网络（CNN）作为电磁代理模型，快速预测这些复杂合并器的性能。通过将此CNN集成到黑盒框架中并采用遗传算法，研究团队成功合成了在更宽功率范围内提高效率的Doherty合并器。原型机展示了令人印象深刻的效率和输出功率，在9 dB回退水平下保持超过52%的漏极效率，并在使用类似5G NR的波形进行测试时，在具有强邻道泄漏比的情况下实现了超过51%的功率附加效率。 AI

影响 这项研究通过提高功率放大器的性能，可能带来更高效的无线通信系统。

排序理由 该集群包含一篇详细介绍新研究方法和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• deep convolutional neural network
• deep learning
• GaN HEMT transistors
• genetic algorithm
• pixelated output combiner networks

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →