Experimental and Machine Learning Validation of a Modified 2.6 GHz Single-Element Switched-Beam Antenna for 5G sub-6 GHz Applications

Resumen Técnico: Validación Experimental y de Aprendizaje Automático de una Antena de Haz Conmutado de Elemento Único Modificada de 2.6 GHz

Planteamiento del Problema
En el contexto de las comunicaciones inalámbricas 5G sub-6 GHz, existe una necesidad crítica de antenas compactas, rentables y de alto rendimiento que puedan controlar la direccionalidad de la radiación para minimizar la interferencia de la señal. Aunque las antenas de microcinta de un solo elemento ofrecen ventajas en tamaño e integración, suelen carecer de capacidades inherentes de direccionamiento de haz. Las soluciones tradicionales de haz conmutado suelen depender de arreglos de fase multielemento complejos o estructuras controladas por diodos que aumentan el consumo de energía, el costo y la complejidad física. Además, el diseño convencional de antenas depende en gran medida de simulaciones electromagnéticas (EM) de onda completa, que son computacionalmente costosas y lentas. Aunque el Aprendizaje Automático (ML) ha mostrado promesa en la predicción del rendimiento de las antenas, estudios previos se han centrado únicamente en la predicción basada en simulaciones sin una validación experimental exhaustiva, particularmente para diseños de haz conmutado de un solo elemento.

Metodología
Los autores proponen un diseño y un marco de validación para una antena de microcinta circular de un solo elemento que opera a 2.6 GHz. La metodología se divide en tres fases primarias:

1. Diseño y Simulación de la Antena:

   • Estructura: La antena se fabrica sobre un sustrato FR-4 ($\epsilon_r = 4.4$, espesor = 1.6 mm). Presenta un parche circular modificado con 56 agujeros distribuidos a lo largo de su perímetro.
   • Mecanismo de Conmutación de Haz: El direccionamiento del haz se logra mediante el cortocircuito selectivo de grupos específicos de agujeros a lo largo del borde del parche utilizando cables de cobre, capacitores y diodos PIN controlados por un microcontrolador. Al abrir circuitos específicos y cortocircuitar otros, el haz principal se dirige hacia ocho direcciones angulares distintas (0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°).
   • Generación de Datos: Se generaron 150 conjuntos de datos utilizando CST Studio Suite. 140 muestras (112 para entrenamiento, 28 para prueba) se utilizaron para el desarrollo del modelo de ML, mientras que 10 muestras independientes sirvieron como conjunto de validación. Los parámetros de entrada incluyeron la dirección del cortocircuito, la distancia radial, el número de agujeros de cortocircuito y el espaciamiento entre agujeros. Los parámetros de salida fueron la dirección del haz principal y el coeficiente de reflexión (pérdida de retorno).

2. Modelado de Aprendizaje Automático (ML):

   • Se implementaron cuatro algoritmos de regresión utilizando Python: Regresión de Potenciación de Gradiente (GBR), Regresión Lasso (LR-Lasso), Regresión Lineal (LR) y Bosque Aleatorio (RF).
   • Los modelos fueron entrenados para predecir la dirección del haz y la pérdida de retorno basándose en los parámetros geométricos de entrada. El rendimiento se evaluó utilizando el coeficiente de determinación ($R^2$) y el Error Absoluto Medio (MAE).

3. Validación Experimental:

   • Se fabricó un prototipo físico basado en los parámetros predichos por el ML. El prototipo utilizó cables de cortocircuito de cobre y diodos PIN controlados por un microcontrolador para conmutar entre los ocho estados de haz.
   • Se realizaron mediciones a 2.6 GHz para verificar la pérdida de retorno y los patrones de radiación, comparando los resultados experimentales con las simulaciones de CST y las predicciones de ML.

Contribuciones Clave

• Diseño de Haz Conmutado de Elemento Único: El artículo presenta una antena de un solo elemento compacta capaz de conmutar el haz en ocho direcciones sin necesidad de arreglos de fase complejos, utilizando un mecanismo de control de cortocircuito a lo largo del borde del parche.
• Optimización del Diseño Asistida por ML: El estudio demuestra la aplicación de ML para predecir tanto la dirección del haz como la pérdida de retorno, reduciendo significativamente la dependencia de las simulaciones EM iterativas.
• Verificación Experimental Exhaustiva: A diferencia de trabajos anteriores que se centraban principalmente en la simulación, esta investigación incluye la fabricación y medición de un prototipo físico, validando las predicciones de ML frente al rendimiento en el mundo real.
• Comparación de Algoritmos: El trabajo compara sistemáticamente cuatro algoritmos de ML, identificando al Bosque Aleatorio como el modelo más efectivo para esta aplicación específica.

Resultos

• Rendimiento de ML:
  • Dirección del Haz: El modelo de Bosque Aleatorio (RF) logró una precisión de predicción perfecta con un $R^2$ de 1.0 y un MAE de 0. La Regresión Lineal y la Regresión Lasso también alcanzaron puntuaciones perfectas, lo que indica una fuerte relación lineal entre la geometría del cortocircuito y la dirección del haz.
  • Pérdida de Retorno: El modelo RF demostró el rendimiento más equilibrado para la predicción de la pérdida de retorno, logrando un $R^2$ de 0.805 y el MAE más bajo de 0.21. Aunque el GBR logró un $R^2$ más alto (0.898), exhibió un MAE mayor (0.520).
• Resultados Experimentales:
  • La antena fabricada conmutó con éxito los haces en las ocho direcciones objetivo a 2.6 GHz.
  • Los valores de pérdida de retorno medidos oscilaron entre 12.26 dB y 15.34 dB, con un promedio de 14.25 dB, confirmando un acoplamiento de impedancia estable.
  • Las mediciones del patrón de radiación se alinearon generalmente con las simulaciones. Sin embargo, se observaron desviaciones específicas: el Caso 4 se desplazó de 135° (simulado) a 165° (medido), el Caso 5 de 180° a 200°, y el Caso 8 de 315° a 300°. La desviación máxima fue de 30°.
  • Los autores atribuyen estas desviaciones a factores de implementación práctica no capturados totalmente en la simulación, como la impedancia parásita de los diodos PIN, los circuitos de polarización, las uniones de soldadura y los cables de conexión.

Significancia y Reivindicaciones
El artículo afirma que el algoritmo de Bosque Aleatorio mejora eficazmente la precisión del diseño de la antena y reduce el tiempo de simulación, manteniendo al mismo tiempo una fuerte concordancia con los resultados experimentales. El estudio demuestra que una antena de un solo elemento puede proporcionar una cobertura direccional confiable en sectores angulares discretos adecuados para sistemas compactos 5G sub-6 GHz.

Los autores concluyen modestamente que, si bien el enfoque de diseño asistido por ML es efectivo, las desviaciones de haz observadas resaltan los desafíos de trasladar los modelos de simulación a prototipos físicos debido a los efectos parásitos. Afirman que el diseño propuesto contribuye a una infraestructura inalámbrica sostenible y de bajo consumo energético al combinar una geometría de antena compacta con una optimización inteligente. El documento no pretende resolver todos los desafíos del direccionamiento de haz, sino posicionar este trabajo como una prueba de concepto validada para la integración de ML en el diseño de antenas de haz conmutado de un solo elemento. Se sugiere como trabajo futuro explorar modelos de aprendizaje profundo avanzado y ampliar el tamaño del conjunto de datos para mejorar aún más la precisión de la predicción para parámetros complejos como la pérdida de retorno.