Machine Learning Assisted Inverse Design of Pixelated mmWave Patch Antennas
تقدم هذه الورقة إطار عمل مدعوماً بالتعلم الآلي للتصميم العكسي لهوائيات الرقعة ذات البكسلات في نطاق الموجات المليمترية (mmWave) بين 22 و30 جيجاهرتز، وذلك باستخدام مصنف XGBoost لتصفية الأنماط غير الرنينية، ونموذج بديل هجين يجمع بين الشبكات العصبية الالتفافية (CNN) والذاكرة الطويلة قصيرة المدى ثنائية الاتجاه (BiLSTM) للتنبؤ الدقيق بمعامل الانعكاس (S11)، ومنهجية تحسين الفضاء الكامن لتوليد هياكل هوائيات تلقائياً تتوافق مع المواصفات المطلوبة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تندفع الشبكات اللاسلكية الحديثة نحو جزء من طيف الترددات الراديوية يُعرف بنطاق الموجات المليمترية. هذا النطاق من الترددات، الذي يقع بين 22 و30 مليار دورة في الثانية، يوفر السرعات العالية اللازمة للاتصالات من الجيل التالي، لكن التعامل معه صعب للغاية. عند هذه السرعات، يجب تشكيل الهوائيات الصغيرة المطل ت لإرسال واستقبال الإشارات بدقة لتتذبذب أو ترن عند التردد الصحيح. إذا كان الشكل منحرفاً ولو قليلاً، يفشل الاتصال. تقليدياً، يصمم المهندسون هذه الهوائيات باستخدام أشكال قياسية مثل المستطيلات أو الدوائر، لكن هذه الأشكال الثابتة تحد من الممكن تحقيقه؛ فهي تقيد القدرة على ضبط الهوائي بدقة لاحتياجات محددة، مما يترك مشهداً شاسعاً من الأشكال المحتملة غير مستكشف.
يكمن التحدي في العدد الهائل من الاحتمالات. فإذا حاول المرء تقسيم سطح الهوائي إلى شبكة من المربعات الصغيرة، وتحديد ما إذا كان كل مربع معدنياً أم فارغاً، فإن عدد التشكيلات الممكنة يصبح ضخماً بشكل فلكي. إن اختبار كل تشكيل باستخدام عمليات المحاكاة الحاسوبية سيستغرق سنوات، حيث تتطلب كل عملية محاكاة عدة دقائق من وقت الحوسبة لحل معادلات فيزيائية معقدة. علاوة على ذلك، فإن معظم الأنماط العشوائية من المربعات المعدنية لا تعمل ببساطة؛ فهي تخلق جزرًا معدنية مقطوعة لا يمكنها حمل إشارة كهربائية، مما يجعلها عديمة الفائدة. وهذا يخلق مشكلة "البحث عن إبرة في كومة قش"، حيث تكون عملية إيجاد تصميم ناجح غير فعالة وبطيئة.
قام فريق من الباحثين في معهد تيندال الوطني في أيرلندا بتطوير طريقة جديدة للتنقل عبر هذا التعقيد باستخدام تعلم الآلة. فبدلاً من محاولة تخمين الشكل الصحيح أو اختبار كل الاحتمالات، قاموا ببناء نظام يتعلم من الخبرة لتصميم الهوائيات تلقائياً. يركز نهجهم، الموصوف في دراسة حديثة، على نطاق 22 إلى 30 جيجاهرتز، وهو نطاق حاسم لتقنيات الجيل الخامس والتقنيات اللاسلكية المستقبلية. أنشأ الباحثون نموذجاً رقمياً لسطح هوائي مكون من 437 بكسل مربع صغير. بعض هذه البكسلات معدنية وبعضها فارغة، ولكن يجب أن يشكل المعدن مساراً مستمراً من مصدر الطاقة إلى حافة الهوائي ليعمل.
لتدريب نظامهم، قام الباحثون أولاً بإنشاء حوالي 6,000 نمط عشوائي من هذه البكسلات وتشغيلها عبر محاكي فيزيائي عالي الدقة. كانت النتوة كاشفة: حوالي 40 بالمائة فقط من هذه التصاميم العشوائية نجحت بالفعل، مما يعني أنها استطاعت الرنين عند التردد المطلوب. أما الـ 60 بالمائة الأخرى فكانت حالات فشل، حيث شكلت تشكيلات من الأشكال غير المجدية، مما أنتج مجموعة بيانات منحازة بشدة نحو الأشكال عديمة الفائدة. ولإصلاح ذلك، درب الفريق برنامجاً حاسوبياً ليعمل كمرشح (فلتر). تعلم هذا البرنامج كيفية النظر إلى نمط جديد غير مختبر والتنبؤ بما إذا كان سيعمل قبل إجراء المحاكاة المكلفة. ومن خلال استخدام هذا المرشح لاختيار الأنماط الواعدة فقط، تمكنوا من توليد 4,000 تصميم ناجح إضافي، مما رفع نسبة الهوائيات العاملة في بيانات التدريب الخاصة بهم إلى أكثر من النصف.
ومع هذه المجموعة المحسنة من الأمثلة الناجحة، درب الباحثون نموذجاً حاسوبياً ثانياً أكثر تطوراً. يعمل هذا النموذج كمحاكي "سريع الاستجابة"؛ فبدلاً من تشغيل الحسابات الفيزيائية البطيئة والثقيلة، ينظر إلى نمط البكسلات المعدنية ويتنبأ فوراً بكيفية سلوك الهوائي عبر نطاق التردد بأكمله. إنه لا يتعلم فقط الشكل العام للإشارة، بل يتعلم أيضاً الانخفاضات والقمم المحددة التي تشير إلى اتصال جيد. ومن الأهمية بمكان أن هذا النموذج قد عُلّم أن يولي اهتماماً خاصاً لعمق وموضع رنين الإشارة، لضمان قدرته على التنبؤ بدقة بأهم ميزات الهوائي الناجح.
كانت الخطوة الأخيرة هي عكس العملية. عادةً، يبدأ المهندسون بشكلٍ ما ويسألون: "ماذا يفعل هذا؟". أراد الباحثون البدء بهدف، مثل "أحتاج إلى هوائي يعمل عند 25 جيجاهرتز"، وسؤال الكمبيوتر عن الشكل الذي يحقق ذلك. ولتحقيق ذلك، استخدموا تقنية رياضية تضغط أشكال الهوائيات المعقدة في مساحة مخفية أبسط من الأرقام. في هذه المساحة المضغوطة، استطاع الكمبيوتر استخدام طريقة تحسين قياسية للبحث عن الشكل المثالي. كان يقوم بتعديل الأرقام المخفية، ويتحقق من النتيجة مقابل التردد المستهدف باستخدام النموذج سريع الاستجابة، ويكرر العملية آلاف المرات. ولضمان أن النتيجة ممكنة فيزيائياً، تضمن النظام قاعدة تجبر البكسلات المعدنية على البقاء متصلة، مما يمنع إنشاء تصاميم مقطعة وغير وظيفية.
كانت نتائج عملية التصميم الآلي هذه مثيرة للإعجاب. طلب الفريق من النظام إنشاء أربعة هوائيات مختلفة، كل منها يستهدف تردداً مختلفاً ضمن نطاق 22 إلى 30 جيجاهرتز. أنشأ الكمبيوتر أنماط بكسل فريدة ومعقدة لكل طلب. وعندما تم اختبار هذه التصاميم الرقمية مرة أخرى في محاكي الفيزياء البطيء وعالي الدقة، عملت تماماً كما تنبأ بها. في ثلاث من الحالات الأربع، كان الفرق بين التردد المتوقع والتردد الفعلي المحاكى أقل من 0.2 جيجاهرتز، وكانت قوة الإشارة مطابقة تقريباً للتنبؤ. وحتى في الحالة التي سجلت أكبر فرق، ظل الهوائي يلبي شرط العمل ضمن النطاق المستهدف.
يُظهر هذا العمل أن تعلم الآلة يمكنه بفعالية سد الفجوة بين الأهداف الرياضية المجردة وتصميم الأجهزة الفيزيائية. فمن خلال تصفية الأفكار السيئة مبكراً والتعلم من التنبؤ بالأداء بسرعة، يمكن للنظام استكشاف مساحة تصميم يستحيل على البشر التنقل فيها يدوياً. ويشير الباحثون إلى أنه بينما تم محاكاة هذه التصاميم بنجاح، فإن الخطوة التالية هي بناء نماذج أولية فيزيائية واختبارها في العالم الحقيقي لمعرفة كيفية أدائها خارج نطاق الكمبيوتر. وإذا نجح ذلك، فقد تسمح هذه الطريقة للمهندسين بإنشاء هوائيات مخصصة تلقائياً لأي حاجة محددة، وإعادة تكوينها فورياً للتكيف مع ظروف الشبكة المتغيرة دون الحاجة إلى إعادة تصميم يدوي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.