Spiking neural networks for digital predistortion in radio frequency power amplifiers

Radio-frequency (RF) communication is the foundation of modern wireless systems, en- suring reliable data transmission through electromagnetic waves. In transmitter design, maximizing spectral efficiency while preserving signal fidelity is essential. Power amplifiers (PAs), which boost signal power for long-distance transmission, are inherently non-linear, especially near saturation, causing signal distortion and interference with adjacent channels. To mitigate these effects, Digital Predistortion (DPD) techniques pre-distort the input signal to achieve overall linearity. However, traditional DPD approaches are computationally demanding and energy-intensive due to numerous multiply–accumulate operations and memory accesses. This thesis, investigates the use of Spiking Neural Networks (SNNs) for DPD, aiming to reduce energy consumption while maintaining linearization performance. SNNs process information through binary spikes, replacing most MAC operations with simpler accumu- lations, thereby improving energy efficiency. Both fully spiking and hybrid SNN architectures are explored, trained via surrogate gradients to overcome the non-differentiability of spike activations. Models incorporating excitatory and inhibitory neuron dynamics were also examined. All implementations are developed within OpenDPD, a PyTorch-based framework for modeling PAs and DPD modules, using snnTorch and lava-dl. Performance is evaluated using standard metrics: Error Vector Magnitude (EVM) and Adjacent Channel Power Ratio (ACPR), alongside visual analyses such as: power spectra, 64-QAM constellations, and AM/AM, AM/PM plots. The results show that SNN-based DPDs can achieve a strong balance between performance and efficiency. The proposed hybrid model, combining a Leaky Integrate-and-Fire neuron with a GRU cell, reduced estimated energy consumption by 42.21% compared to the GRU baseline (hidden size 11), with only a 0.06 dB increase in EVM. This thesis was conducted at Ericsson Research in Stockholm, part of Ericsson, a global leader in telecommunications and networking technologies.

La comunicazione a radiofrequenza (RF) rappresenta la base dei sistemi wireless, garantendo la trasmissione affidabile dei dati tramite onde elettromagnetiche. Nella progettazione dei trasmettitori, è fondamentale massimizzare l’efficienza spettrale mantenendo un segnale fedele all’originale. Gli amplificatori di potenza (PA), che aumentano la potenza del segnale per la trasmissione a lunga distanza, presentano un comportamento intrinsecamente non lineare, soprattutto nella zona di saturazione, generando distorsioni e interferenze sui canali adiacenti. Per ridurre questi effetti, le tecniche di predistorsione digitale (DPD) applicano una cor- rezione al segnale in ingresso in modo da ottenere un’uscita linearizzata. Tuttavia, le DPD tradizionali richiedono elevata potenza di calcolo e consumi energetici significativi, a causa delle numerose operazioni di moltiplicazione-accumulo (MAC) e degli accessi alla memoria. Questa tesi, esplora l’impiego delle reti neurali spiking (SNN) per la DPD, con l’obiettivo di contenere il consumo energetico senza compromettere le prestazioni di linearizzazione. Le SNN elaborano le informazioni attraverso spike binari, sostituendo gran parte delle operazioni MAC con semplici accumuli, migliorando così l’efficienza. Lo studio considera sia architetture completamente spiking sia ibride, addestrate tramite gradienti surrogati per gestire la non differenziabilità delle attivazioni a spike. Sono inoltre analizzati modelli che sfruttano le dinamiche eccitatorie e inibitorie dei neuroni. Tutte le implementazioni sono sviluppate in OpenDPD, un framework PyTorch per la modellazione di PA e moduli DPD, utilizzando le librerie snnTorch e lava-dl. Le prestazioni sono valutate tramite metriche standard come Error Vector Magnitude (EVM) e Adja- cent Channel Power Ratio (ACPR), integrate da rappresentazioni visive quali spettri di potenza, costellazioni 64-QAM e diagrammi AM/AM e AM/PM. I risultati evidenziano come la DPD basata su SNN possa bilanciare efficacemente prestazioni ed efficienza. In particolare, il modello ibrido proposto, che combina un neurone Leaky Integrate-and-Fire con una cella GRU, ha ridotto il consumo energetico stimato del 42,21% rispetto al GRU di riferimento (hidden size 11), con un incremento minimo di 0,06 dB nell’EVM. Questa tesi è stata svolta ad Ericsson Research a Stoccolma, parte di Ericsson, un leader globale nel settore delle technologie per telecomunicazioni e reti.