딥러닝 기반 블랙박스 도헤리 파워앰프와 픽셀화 출력 결합기 설계

** 본 논문은 차세대 무선통신 시스템에서 요구되는 높은 피크‑투‑평균 전력비(PAPR)와 에너지 효율을 동시에 만족시키기 위해, 딥러닝 기반 역설계 프레임워크를 도입한 블랙박스 도헤리 파워앰프(DPA) 설계 방법을 제시한다. 연구는 크게 네 부분으로 구성된다. 첫 번째 섹션에서는 도헤리 DPA의 기본 원리와 기존 블랙박스 설계 방법을 리뷰한다. 전통적인 도헤리 결합기는 메인·보조 트랜지스터의 전류 비율(α)과 백오프 레벨(γ)에 따라 임피던스 매트릭스 Z₂P를 도출하고, 이를 두 포트 네트워크에서 손실 없는 3포트 네트워크로 변환하는 절차를 설명한다. 그러나 고주파에서 트랜지스터 비선형성·기생 인덕턴스가 크게 작용하므로, 라드풀 데이터를 직접 활용해 Z₂P를 추정하는 것이 필수적이다. 두 번째 섹션에서는 픽셀화된 출력 결합기 네트워크를 정의한다. 15 × 15 격자로 평면 금속‑유전체 패턴을 이진 매트릭스로 표현하고, 각 픽셀은 금속(1) 혹은 절연(0)으로 설정한다. 피드 포트는 격자 가장자리 중앙에 배치해 전기적 연결성을 확보하고, 20 % 금속 오버랩을 적용해 대각선 전류 흐름을 보장한다. 설계 공간은 2²²⁵(≈10⁶⁷)가지로 방대하여 전통적인 전자기 시뮬레이션으로는 탐색이 불가능하다. 세 번째 섹션은 딥러닝 서브시스템과 최적화 알고리즘을 상세히 기술한다. 225 비트 입력을 받아 2 ~ 3 GHz 대역의 복소수 S‑파라미터를 출력하는 12계층 CNN을 설계했으며, 잔차 연결과 LeakyReLU 활성화, 25 % 드롭아웃을 적용해 과적합을 방지한다. 학습 데이터는 전자기 시뮬레이터(Ansys HFSS)로부터 8만 개의 무작위 레이아웃을 시뮬레이션해 생성했으며, 검증 결과 평균 절대 오차가 0.018, 최대 오차가 0.045로 높은 정확도를 보였다. CNN이 서브시스템으로 고정된 뒤, 목표 사양(출력 전력, 효율, 위상, 백오프 레벨)을 만족하는 레이아웃을 찾기 위해 유전 알고리즘(GA)을 적용한다. 초기 개체군은 무작위 레이아웃으로 시작하고, 교차·돌연변이 연산을 통해 새로운 후보를 생성한다. 각 후보는 CNN을 통해 즉시 S‑파라미터가 추정되고, 블랙박스 도헤리 모델에 입력돼 효율·출력·위상 오류를 계산한다. 피트니스 함수는 효율을 최대화하고 위상 오차를 최소화하도록 설계돼, 수천 세대에 걸쳐 최적 레이아웃이 수렴한다. 전체 설계 흐름은 전통적인 EM 시뮬레이션 기반 최적화 대비 약 50배 빠른 설계 시간을 제공한다. 네 번째 섹션에서는 두 개의 프로토타입 DPA를 구현하고 측정 결과를 제시한다. GaN HEMT(0.5 mm × 0.5 mm) 트랜지스터 2개를 동일하게 사용해 메인·보조 회로를 대칭화했으며, 설계된 3포트 픽셀 결합기를 PCB에 구현했다. 측정된 최대 드레인 효율은 74 %를 초과하고, 2.75 GHz에서 44.1 dBm(≈25 W) 출력을 달성했다. 9 dB 백오프 시에도 52 % 이상의 효율을 유지했으며, 20 MHz 5G NR 파형(PAPR 9 dB) 적용 후 디지털 프리디스토션(DPD)으로 평균 전력 추가 효율(PAE) 51 %와 인접 채널 누설비율(ACLR) -60.8 dBc를 기록했다. 마지막으로 논문은 본 방법론의 장점과 향후 연구 방향을 논한다. 픽셀화된 자유로운 토폴로지를 탐색함으로써 기존 설계자가 놓치기 쉬운 비정형 구조를 자동으로 발견할 수 있으며, CNN‑GA 연계가 설계 주기를 크게 단축한다는 점이 핵심이다. 향후 연구에서는 더 높은 주파수(>10 GHz)와 다중밴드 설계, 그리고 전력 관리용 온‑칩 구현을 위한 미세공정 적용을 목표로 한다. **