En la ingeniería de amplificadores de potencia, especialmente en el diseño de amplificadores Doherty, la combinación de redes de salida representa uno de los mayores retos técnicos. Tradicionalmente, el combinador debe integrar modulación de carga, adaptación de impedancias y compensación de fase en un único circuito, lo que exige un delicado balance entre rendimiento y complejidad. Hoy, el diseño inverso asistido por inteligencia artificial está transformando este proceso. Investigaciones recientes demuestran cómo el uso combinado de redes neuronales convolucionales (CNN), representaciones pixeladas de layout y algoritmos genéticos permite sintetizar combinadores de tres puertos que optimizan tanto la potencia de saturación como la eficiencia en condiciones de retroceso (back-off). Este enfoque, aplicado sobre transistores GaN HEMT, logra eficiencias de drenaje superiores al 71% en pico y del 64% en retroceso de 6 dB, con una potencia saturada por encima de 44.2 dBm en la banda de 2.6-2.8 GHz. Además, la corrección mediante predistorsión digital garantiza una relación de fuga de canal adyacente (ACLR) mejor que -51.3 dBc, cumpliendo con exigentes estándares de linealidad.
La metodología detrás de estos resultados representa un cambio de paradigma. En lugar de depender de diseños manuales iterativos basados en ecuaciones analíticas, los ingenieros pueden ahora entrenar modelos de deep learning que exploran el espacio de diseño de forma masiva y eficiente. La representación pixelada del combinador —es decir, tratando el layout como una imagen binaria o en escala de grises— permite a la CNN aprender patrones geométricos que correlacionan con el rendimiento electromagnético. Luego, un algoritmo genético refina las soluciones para cumplir simultáneamente con las condiciones de impedancia en estado de alta potencia y en retroceso. Este flujo de trabajo, conocido como diseño inverso, acelera drásticamente el ciclo de desarrollo y reduce la dependencia de prototipos costosos.
Para las empresas que buscan adoptar estas técnicas avanzadas, contar con un partner tecnológico especializado marca la diferencia. En Q2BSTUDIO ofrecemos aplicaciones a medida que integran inteligencia artificial, automatización de procesos y optimización basada en datos. Nuestro equipo desarrolla sistemas de IA para empresas que pueden adaptarse a problemas tan específicos como el diseño de circuitos de RF o la predicción de fallos en equipos electrónicos. Asimismo, diseñamos agentes IA capaces de explorar espacios de diseño complejos y proponer configuraciones óptimas, replicando en el ámbito del software lo que los investigadores logran con combinadores pixelados.
La infraestructura de computación necesaria para entrenar modelos CNN y ejecutar algoritmos genéticos exige plataformas escalables y seguras. Por ello, también brindamos servicios cloud AWS y Azure para desplegar entornos de machine learning en la nube, garantizando elasticidad y rendimiento. La ciberseguridad es igualmente crítica al manejar diseños de propiedad intelectual, y nuestros servicios de pentesting protegen tanto los datos como los modelos entrenados. Además, la monitorización de resultados y la visualización de métricas se potencian con soluciones de inteligencia de negocio como Power BI, permitiendo a los equipos de I+D tomar decisiones informadas en tiempo real.
En definitiva, el avance hacia el diseño inverso de amplificadores Doherty mediante deep learning y combinadores pixelados ilustra cómo la convergencia entre hardware y software inteligente está redefiniendo los límites de la ingeniería. Las mismas técnicas que impulsan estos logros pueden aplicarse a otros dominios donde la optimización geométrica y eléctrica sea clave. Si su organización enfrenta desafíos similares, contáctenos para explorar soluciones de software a medida que integren inteligencia artificial, cloud y análisis de negocio, acelerando su camino hacia la innovación.
