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

Die Welt der drahtlosen Kommunikation befindet sich in einem ständigen Wettlauf um höhere Geschwindigkeiten und größere Datenkapazitäten. Um den Anforderungen zukünftiger Technologien gerecht zu werden, blicken Wissenschaftler über die heute verwendeten Radiowellen hinaus in das Terahertz-Spektrum. Dieser Bereich des elektromagnetischen Spektrums liegt zwischen Mikrowellen und Licht und bietet das Potenzial für Datentransferraten, die derzeit noch unvorstellbar sind. Es ist jedoch schwierig, diese Frequenzen nutzbar zu machen. Signale auf diesem Niveau neigen dazu, schnell zu verblassen und von der Luft absorbiert zu werden, was spezialisierte Ausrüstung erfordert, um sie effektiv zu senden und zu empfangen. Der Schlüssel zur Erschließung dieses Potenzials liegt im Entwurf winziger, effizienter Antennen, die in diesem Hochfrequenzbereich arbeiten können, ohne an Leistung oder Klarheit zu verlieren.

In diesem Bestreben haben Forscher auf eine Kombination aus fortschrittlichen Materialien und intelligenter Computertechnik zurückgegriffen. Ein vielversprechendes Material ist Graphen, eine einzelne Schicht aus Kohlenstoffatomen, die unglaublich dünn und leitfähig ist und so abgestimmt werden kann, dass sie das Verhalten einer Antenne verändert. Ein anderer Ansatz besteht darin, Silizium, ein gängiges Material in der Elektronik, in spezifische Formen zu bringen, um Wellen effizient zu leiten. Die Herausforderung besteht jedoch darin, dass das Entwerfen dieser Antennen ein langsamer und komplexer Prozess ist. Traditionelle Computersimulationen, die als virtuelle Windkanäle fungieren, um zu testen, wie Wellen mit Metall- und Dielektrikumstrukturen interagieren, benötigen lange Laufzeiten. Um dies zu beschleunigen, hat ein Team von Forschern aus mehreren indischen Institutionen eine neue Methode entwickelt, die diese physischen Designs mit maschinellem Lernen kombiniert – einer Form der künstlichen Intelligenz, die aus Daten lernt, um Vorhersagen zu treffen.

Die Forscher setzten sich zum Ziel, eine Zwei-Port-Antenne zu bauen, im Wesentlichen ein Gerät mit zwei separaten Anschlusspunkten, das auf einer Siliziumbasis mit einer dünnen Graphenschicht beschichtet ist. Sie entwarfen die Antenne für den Betrieb innerhalb eines bestimmten breiten Frequenzbereichs, etwa zwischen 2,35 und 3,8 Terahertz. Um das Gerät noch nützlicher zu machen, mussten sie eine „Kerbe“ oder eine bewusste Lücke in seiner Leistung erzeugen. Diese Lücke sollte einen spezifischen Frequenzbereich zwischen 2,75 und 3,15 Terahertz blockieren, um Interferenzen durch andere Signale zu verhindern, die möglicherweise im selben Band operieren. Dies erreichten sie durch das Hinzufügen kreisförmiger Metallringe und einer gedruckten Linie auf der Oberfläche der Antenne. Darüber hinaus integrierten sie, um sicherzustellen, dass sich die beiden Ports nicht gegenseitig beeinflussen, ein spezielles Muster auf der Massefläche, bekannt als Defected Ground Structure (gestörte Massenstruktur), das wie eine Barriere wirkt, um die Signale voneinander zu trennen.

Um zu verstehen, wie dieser Entwurf funktionierte, nutzte das Team leistungsstarke Computer-Software, um das Verhalten elektromagnetischer Wellen zu simulieren. Diese Simulationen zeigten, dass der Silizium-Dielektrikumstab, der mit einem modifizierten Ringschlitz geformt wurde, für den weiten Betriebsbereich verantwortlich war. Die Simulationen ergaben, dass die Antenne erfolgreich zwei unterschiedliche Betriebsbänder erzeugte: eines von 2,2 bis 2,65 Terahertz und ein weiteres von 3,3 bis 3,7 Terahertz. Die kreisförmigen Ringe und die gedruckte Linie blockierten effektiv die unerwünschten Frequenzen in der Mitte, während die gestörte Massenstruktur die Kopplung zwischen den beiden Ports extrem niedrig hielt, nämlich unter -25 Dezibel. Diese geringe Interferenz ist entscheidend, damit ein Gerät als zuverlässiges Multi-Port-System funktionieren kann. Die Graphenbeschichtung fügte eine Ebene der Flexibilität hinzu, die es ermöglicht, die Frequenz der Antenne durch Anpassung ihres elektrischen Potenzials abzustimmen, vergleichbar mit dem Drehen an einem Regler, um den Sender zu wechseln.

In Anerkennung der Tatsache, dass das Durchführen dieser komplexen Simulationen für jede mögliche Designvariation zu lange dauern würde, führten die Forscher ein Framework für maschinelles Lernen ein, um die Leistung der Antenne vorherzusagen. Sie erzeugten einen massiven Datensatz, indem sie die Dimensionen der Teile der Antenne in der Simulationssoftware leicht veränderten, wodurch über 125.000 einzigartige Datenpunkte entstanden. Anschließend trainierten sie zwei verschiedene Arten von Modellen für maschinelles Lernen auf diesen Daten: ein tiefes neuronales Netz, das die Schichten des menschlichen Gehirns nachahmt, und einen Random Forest, der aus einer Sammlung von Entscheidungsbäumen besteht. Das Ziel war es zu sehen, ob diese Modelle die Leistung der Antenne – insbesondere ihre Fähigkeit, Signale zu reflektieren – präzise vorhersagen können, ohne jedes Mal die zeitaufwendige vollständige Simulation durchführen zu müssen.

Die Ergebnisse dieses computergestützten Experiments waren ermutigend. Beide Modelle des maschinellen Lernens waren in der Lage, das Verhalten der Antenne mit hoher Genauigkeit vorherzusagen und erreichten Erfolgsraten von weit über 80 Prozent. Das tiefe neuronale Netz lieferte etwas präzisere Vorhersagen als das Random-Forest-Modell und schätzte die Leistung über das gesamte Frequenzspektrum korrekt ein. Als die Forscher die Vorhersagen des maschinellen Lernens mit den tatsächlichen Simulationsergebnissen verglichen, stimmten die Zahlen eng überein, was bestätigte, dass die künstliche Intelligenz die zugrunde liegende Physik des Designs erlernt hatte. Dies deutet darauf hin, dass Ingenieure in Zukunft diese Modelle nutzen könnten, um Antennen in einem Bruchteil der Zeit zu entwerfen und zu optimieren, die es derzeit erfordert, indem sie den Computer einfach von früheren Beispielen lernen lassen.

Die abschließende Verifizierung des Designs erfolgte durch den Abgleich der Ergebnisse mit anderen Simulationswerkzeugen, was bestätigte, dass die Antenne stabile Strahlungsmuster und eine hohe Effizienz beibehielt. Das Gerät zeigte einen Gewinn (Gain), also die Fähigkeit, Energie zu fokussieren, von etwa 3,5 bis 4,5 Dezibel, was eine starke Leistung für diese Art von Anwendung darstellt. Die Forscher überprüften auch die Diversitätsparameter, die messen, wie gut die beiden Ports in einer Umgebung mit Signalfluktuationen zusammenarbeiten, und stellten fest, dass die Signale unkorreliert und effektiv blieben. Durch die Kombination eines neuartigen physischen Designs aus Silizium und Graphen mit einem intelligenten maschinellen Lern-Vorhersagesystem hat das Team einen Bauplan für eine Hochgeschwindigkeitsantenne geschaffen, die eines Tages die Terabit-pro-Sekunde-Datenraten unterstützen könnte, die für die nächste Generation der drahtlosen Kommunikation erforderlich sind.