Centralized Digital Predistortion in 6G: Distributed Task Offloading and Scheduling for Complexity-Reduced PA Linearization
Notice bibliographique
Résumé
To improve power efficiency while using ultra-wide bandwidth, digital predistortion (DPD) is essential in 6G base station (BS) design to linearize the nonlinearity distortion of power amplifiers (PA). However, traditional DPD methods rely exclusively on localized PA distortion estimation in distributed BSs, which could become extremely complex and costly due to the increased number of BSs and growing scale of antenna arrays in 6G. Therefore, simplified and centralized DPD design strategies tailored to 6G are urgently required to reduce the DPD complexity in distributed BSs and the exponentially in-creased costs throughout the network. In this paper, we propose a centralized DPD scheme by offloading and scheduling the distributed PA distortion estimation tasks from local BSs to a centralized training device so that the overall complexity of the PA linearization is significantly reduced. To avoid unnecessary PA data transmission, lightweight onsite analysis is designed at each BS by comparing the PA operating conditions, which can minimize the communication resource wastage for task offloading. Long-term distortion analysis is further conducted at the training device to support intelligent scheduling of distortion re-estimation and model sharing among similar PAs. Simulation results demonstrate that the proposed approach significantly achieves efficient PA distortion estimation and linearization without sacrificing accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».