Machine Learning–Based Computational Framework for Graphene–Silicon Twin-Port Band-Notched Wideband Antenna in Optical Regime

يسابق عالم الاتصالات اللاسلكية باستمرار نحو سرعات أعلى وسعة بيانات أكبر. ولمواكبة متطلبات التكنولوجيا المستقبلية، يتطلع العلماء إلى ما وراء موجات الراديو التي نستخدمها اليوم وإلى طيف التراهرتز. تقع هذه المنطقة من الطيف الكهرومغناطيسي بين الموجات الدقيقة والضوء، وهي توفر إمكانات لمعدلات نقل بيانات لا يمكن تصورها حالياً. ومع ذلك، فإن تسخير هذه الترددات أمر صعب؛ إذ تميل الإشارات عند هذا المستوى إلى التلاشي بسرعة والامتصاص بواسطة الهواء، مما يتطلب معدات متخصصة لإرسالها واستقبالها بفعالية. ويكمن المفتاح لفتح هذه الإمكانات في تصميم هوائيات صغيرة وفعالة يمكنها العمل في هذا النظام عالي التردد دون فقدان القدرة أو الوضوح.

وفي هذا السعي، لجأ الباحثون إلى مزيج من المواد المتقدمة والحوسبة الذكية. إحدى المواد الواعدة هي الجرافين، وهو طبقة واحدة من ذرات الكربون رقيقة للغاية وموصلة، والتي يمكن ضبطها لتغيير كيفية سلوك الهوائي. ويتضمن نهج آخر استخدام السيليكون، وهو مادة شائعة في الإلكترونيات، وتشكيله في أشكال محددة لتوجيه الموجات بكفاءة. ومع ذلك، فإن التحدي يكمكم في أن تصميم هذه الهوائيات عملية بطيئة ومعقدة؛ إذ تستغرق عمليات المحاكاة الحاسوبية التقليدية، التي تعمل بمثابة أنفاق رياح افتراضية لاختبار كيفية تفاعل الموجات مع الهياكل المعدنية والعازلة، وقتاً طويلاً للتشغيل. ولتسريع الأمور، طور فريق من الباحثين من عدة مؤسسات هندية طريقة جديدة تجمع بين هذه التصاميم الفيزيائية والتعلم الآلي، وهو شكل من أشكال الذكاء الاصطناعي الذي يتعلم من البيانات لإجراء التنبؤات.

وضع الباحثون هدفهم لبناء هوائي ثنائي المنافذ (two-port antenna)، وهو في الأساس جهاز يحتوي على نقطتي اتصال منفصلتين، باستخدام قاعدة سيليكون مغطاة بطبقة رقيقة من الجرافين. صمموا الهوائي ليعمل ضمن نطاق ترددي واسع محدد، يتراوح تقريباً بين 2.35 و3.8 تيرهرتز. ولجعل الجهاز أكثر فائدة، احتاجوا إلى إنشاء "ثلمة" (notch)، أو فجوة متعمدة في أدائه. ستعمل هذه الفجوة على حظر نطاق تردد معين بين 2.75 و3.15 تيرهرتز، مما يمنع التداخل من الإشارات الأخرى التي قد تعمل في ذلك النطاق نفسه. وقد حققوا ذلك عن طريق إضافة حلقات معدنية دائرية وخط مطبوع على سطح الهوائي. علاوة على ذلك، ولضمان عدم تداخل المنفذين مع بعضهما البعض، قاموا بدمج نمط خاص على طبقة الأرض، يُعرف باسم هيكل الأرض المعيب (defected ground structure)، والذي يعمل كحاجز لإبقاء الإشارات منفصلة.

ولفهم كيفية عمل هذا التصميم، استخدم الفريق برامج حاسوبية قوية لمحاكاة سلوك الموجات الكهرومغناطيسية. وكشفت هذه المحاكاة أن قضيب السيليكون العازل، المشكل بفتحة حلقية معدلة، كان مسؤولاً عن نطاق التشغيل الواسع. وأظهرت المحاكاة أن الهوائي نجح في إنشاء نطاقين متميزين للتشغيل: أحدهما من 2.2 إلى 2.65 تيرهرتز، والآخر من 3.3 إلى 3.7 تيرهرتز. وقد قامت الحلقات الدائرية والخط المطبوع بحظر الترددات غير المرغوب فيها في المنتصف بفعالية، بينما حافظ هيكل الأرض المعيب على انخفاض الاقتران بين المنفذين إلى مستويات دنيا، حيث قللته إلى أقل من -25 ديسيبل. وهذا المستوى المنخفض من التداخل ضروري ليعمل الجهاز كنظام متعدد المنافذ موثوق. كما أضافت طبقة الجرافين طبقة من المرونة، مما سمح بضبط تردد الهوائي عن طريق تعديل جهده الكهربائي، تماماً مثل تدوير قرص لتغيير المحطة الإذاعية.

وإدراكاً منهم بأن تشغيل هذه المحاكاة المعقدة لكل تغيير محتمل في التصميم سيستغرق وقتاً طويلاً جداً، قدم الباحثون إطار عمل للتعلم الآلي للتنبؤ بأداء الهوائي. لقد أنشأوا مجموعة بيانات ضخمة عن طريق تغيير أبعاد أجزاء الهوائي قليلاً في برنامج المحاكاة، مما خلق أكثر من 125,000 نقطة بيانات فريدة. ثم قاموا بتدريب نوعين مختلفين من نماذج التعلم الآلي على هذه البيانات: شبكة عصبية عميقة، تحاكي طبقات الدماغ البشري، وغابة عشوائية (random forest)، وهي تعتمد على مجموعة من أشجار القرار. كان الهدف هو معرفة ما إذا كانت هذه النماذح قادرة على التنبؤ بدقة بكيفية أداء الهوائي، وتحديداً قدرته على عكس الإشارات، دون الحاجة إلى تشغيل المحاكاة الكاملة والمستهلكة للوقت في كل مرة.

كانت نتائج هذه التجربة الحسابية مشجعة. فقد أثبت كلا نموذجي التعلم الآلي قدرتهما على التنبؤ بسلوك الهوائي بدقة عالية، محققين معدلات نجاح تتجاوز 80 في المائة. وفرت الشبكة العصبية العميقة تنبؤات أكثر دقة بقليل من نموذج الغابة العشوائية، حيث قدرت الأداء عبر الطيف الترددي بشكل صحيح. وعندما قارن الباحثون تنبؤات التعلم الآلي مع نتائج المحاكاة الفعلية، تطابقت الأرقام بشكل وثيق، مما أكد أن الذكاء الاصطناعي قد تعلم الفيزياء الكامنة وراء التصميم. ويشير هذا إلى أنه في المستقبل، يمكن للمهندسين استخدام هذه النماذج لتصميم وتحسين الهوائيات في جزء بسيط من الوقت الذي يستغرقه الأمر حالياً، ببساطة عن طريق جعل الكمبيوتر يتعلم من الأمثلة السابقة.

جاء التحقق النهائي من التصميم من خلال مراجعة النتائج باستخدام أدوات محاكاة مختلفة، مما أكد أن الهوائي يحافظ على أنماط إشعاع مستقرة وكفاءة عالية. أظهر الجهاز كسباً (gain)، أو قدرة على تركيز الطاقة، يبلغ حوالي 3.5 إلى 4.5 ديسيبل، وهو أداء قوي لهذا النوع من التطبيقات. كما تحقق الباحثون من معاملات التنوع (diversity parameters)، التي تقيس مدى عمل المنفذين معاً في بيئة تلاشي الإشارة، ووجدوا أن الإشارات ظلت غير مترابطة وفعالة. ومن خلال الجمع بين تصميم فيزيائي مبتكر باستخدام السيليكون والجرافين ونظام تنبؤ ذكي بالتعلم الآلي، أنشأ الفريق مخططاً لهوائي عالي السرعة يمكنه يوماً ما دعم سرعات نقل البيانات التي تصل إلى تيرابت في الثانية المطلوبة للجيل القادم من الاتصالات اللاسلكية.