Come gli algoritmi rendono più efficienti gli amplificatori per le reti 5G?

Gli amplificatori sono il cuore delle antenne dei nostri smartphone: trasformano il segnale elettrico in onde radio. Per le nuove reti 5G serve un amplificatore che lavori su un’ampia gamma di frequenze (da 1,5 a 2,6 GHz) e che sia molto efficiente, altrimenti la batteria si scarica in fretta. Un team di ricercatori ha combinato due “cervelli” artificiali – gli algoritmi genetici e le reti neurali – per progettare un amplificatore Doherty, una topologia molto usata nelle telecomunicazioni. L’algoritmo genetico, ispirato alla selezione naturale, esplora tante combinazioni di componenti del circuito, mentre la rete neurale, addestrata sui risultati precedenti, predice rapidamente le prestazioni di ogni configurazione. In questo modo il processo di ottimizzazione diventa più veloce e preciso. Il risultato è un amplificatore che, a piena potenza, eroga tra 42 dBm e 45 dBm, con un’efficienza che varia dal 51 % al 62 %. Anche a 6 dB di back‑off (quando il segnale è più debole) mantiene un’efficienza tra il 44 % e il 56 %. Questi numeri dimostrano che l’approccio ibrido può spingere le prestazioni dei dispositivi radio verso nuovi limiti, contribuendo a reti più veloci e a dispositivi con maggiore autonomia.

Il Doherty è una topologia a due stadi: un amplificatore principale (PA) e un amplificatore ausiliario (aux PA) collegati tramite una rete di adattamento. Quando il segnale è vicino alla saturazione, il PA fornisce la maggior parte della potenza, mentre l'aux PA entra in gioco nei regimi di back‑off, migliorando l'efficienza complessiva. L'ottimizzazione tradizionale di tali circuiti richiede una ricerca esaustiva nello spazio dei parametri, spesso impraticabile per via della complessità non lineare. L'algoritmo genetico (GA) genera una popolazione iniziale di soluzioni (set di valori per induttanze, capacità e linee di trasmissione) e, mediante operazioni di crossover e mutazione, evolve la popolazione verso soluzioni con fitness più elevata. La funzione di fitness incorpora più obiettivi: potenza di uscita (Pout), efficienza (η) e guadagno (G), ponderati secondo le priorità del progetto. Parallelamente, una rete neurale artificiale (ANN) viene addestrata con i risultati delle simulazioni elettromagnetiche (ad esempio, con ADS o HFSS). Una volta addestrata, l'ANN predice rapidamente le prestazioni di nuove configurazioni, riducendo il numero di simulazioni costose. Il flusso di lavoro prevede: 1) generazione di un pool di soluzioni con GA; 2) valutazione preliminare con ANN; 3) selezione delle migliori per simulazioni full‑wave; 4) aggiornamento della ANN con i nuovi dati; 5) iterazione fino a convergenza. Il risultato sperimentale, con una larghezza di banda di 1,1 GHz, ha mostrato una saturazione di 44,7 dBm e un'efficienza massima di 61,8 % a 2,0 GHz, confermando la capacità del metodo ibrido di gestire trade‑off tra larghezza di banda, linearità e efficienza. Questo approccio è scalabile a frequenze più alte (mmWave) e a tecnologie emergenti come i modulatori di fase digitale, aprendo la strada a sistemi RF più intelligenti e adattivi.