Modelling of coupling effects in multiple power amplifiers antenna array for 5G mm-wave

Power Amplifiers working at mm-Waves show behaviours in general not easy to model analitically. This begins to be a problem to handle in the context of 5G, in which the use of antennas arrays working at mm-Waves is spreading. Indeed, in addition to well known memory effects of PAs, others imparements modify PA behaviour make it difficult to manage. In particular, depending on beamforming configuration, mutual coupling effects (phenomenon also called Active Return Loss (ARL)) occur among antennas close to each other. This phenomenon changes the load impedence seen by the PA at its output and, as a consequence, the PA behaviour changes as well. In this thesis a Machine Learning (ML) approach is proposed to model PA behaviour subject to load impedence variation due to Active Return Loss (ARL). Having a Neural Network able to reproduce PA behavior placed in an antennas array, at mm-Waves, for each possible beamforming configuration could be useful for simulations in general but, primarily, allows to implement whatever device using the same ML approach.

Gli amplificatori che lavorano a mm-Waves mostrano comportamenti in generale non facili da modellare analiticamente. Questo inizia a essere un problema da gestire nel contesto del 5G, in cui si sta diffondendo l'uso di array di antenne che lavorano a mm-Waves. Infatti, oltre ai ben noti effetti sulla memoria degli amplificatori (PA), altri fattori concorrono a modificare il comportamento del PA e ne rendono difficile la gestione. In particolare, a seconda della configurazione del beamforming, si verificano effetti di mutual coupling (fenomeno chiamato anche Active Return Loss (ARL)) tra antenne vicine tra loro. Questo fenomeno cambia l'impedenza di carico vista dal PA al suo output e, di conseguenza, cambia anche il suo comportamento. In questa tesi viene proposto un approccio di Machine Learning (ML) per modellare il comportamento del PA soggetto a variazione di impedenza di carico dovuta ad Active Return Loss (ARL). Avere una Rete Neurale in grado di riprodurre il comportamento del PA posto in un array di antenne, a mm-Waves, per ogni possibile configurazione di beamforming potrebbe essere utile per le simulazioni in generale ma, soprattutto, permette di implementare qualunque dispositivo utilizzando lo stesso approccio ML.