Effektiv ML-baserad digital fördistorsion för stora antennmatriser
| Diarienummer | |
| Koordinator | Ericsson AB |
| Bidrag från Vinnova | 100 000 kronor |
| Projektets löptid | januari 2026 - juni 2026 |
| Status | Avslutat |
| Utlysning | 6G - Kompetensförsörjning |
| Ansökningsomgång | 6G - Handledning av examensarbete |
Viktiga resultat som projektet gav
Projektet uppnådde i stor utsträckning sina uppsatta mål. En ny ML-baserad DPD-modell som integrerar fysikalisk information utvecklades och utvärderades. Modellens prestanda jämfördes med klassiska och befintliga ML-baserade DPD-metoder, och resultaten visar att den föreslagna neurala nätverksarkitekturen uppnår låg komplexitet med bibehållen linjäriseringsprestanda. Detta ligger i linje med projektets övergripande mål att möjliggöra energieffektiv DPD för framtida 6G-system.
Långsiktiga effekter som förväntas
Projektets resultat förväntas bidra till utvecklingen av energieffektiva radioalgoritmer för framtida 6G-system. Den påvisade möjligheten att använda lågkomplexitets neurala nätverk för DPD stödjer skalbar och hållbar utbyggnad av basstationer med stora antennmatriser. Samarbetet mellan Ericsson och KTH stärker kunskapsöverföringen mellan akademi och industri, vilket främjar fortsatt forskning och innovation inom ML-baserad radioteknik.
Upplägg och genomförande
Projektet genomfördes enligt den ursprungliga tidsplanen. Studenten arbetade med PA-modellering och DPD-utveckling under våren 2026 och presenterade sina resultat i juni. Arbetet med att färdigställa examensarbetesrapporten pågår. Veckovisa handledarmöten säkerställde att arbetet fortskred i rätt riktning och enligt plan. Samarbetet mellan studenten och handledarna på Ericsson Research fungerade väl. Inga oväntade externa faktorer påverkade projektets genomförande.