Machine Learning Assisted Design and Optimization of a Dual-Port SIW Antenna with LP-to-CP Conversion for sub-6 GHz 5G Communication System

वायरलेस संचार अदृश्य तरंगों पर निर्भर करता है जो हवा के माध्यम से हमारे डेटा को ले जाती हैं। इन कनेक्शनों को तेज़ और अधिक विश्वसनीय बनाने के लिए, इंजीनियर अक्सर एक साथ काम करने वाले कई एंटेना का उपयोग करते हैं, जिसे MIMO नामक एक प्रणाली कहा जाता है। हालाँकि, जब ये एंटेना एक-दूसरे के करीब रखे जाते हैं, तो वे एक-दूसरे के साथ हस्तक्षेप (interfere) करने लगते हैं, ठीक वैसे ही जैसे दो लोग एक ही छोटे कमरे में बोलने की कोशिश कर रहे हों। यह हस्तक्षेप, या "कपलिंग" (coupling), सिग्नल को कमजोर कर देती है। एक अन्य चुनौती तरंगों का ओरिएंटेशन (orientation) है; यदि एक ट्रांसमिटिंग एंटीना एक दिशा में घूमती हुई लहर भेजता है और एक रिसीविंग एंटीना दूसरी दिशा में घूमने वाली लहर की अपेक्षा करता है, तो कनेक्शन विफल हो जाता है। इसे हल करने के लिए, इंजीनियर ऐसे एंटेना डिजाइन करते हैं जो सर्कुलर पोलराइजेशन (circular polarization) को संभाल सकें, जहाँ लहर एक घेरे में घूमती है, जिससे डिवाइस को किसी भी तरह से पकड़े जाने पर भी कनेक्शन मजबूत बना रहता है। लक्ष्य एक कॉम्पैक्ट, उच्च-प्रदर्शन वाला एंटीना बनाना है जो हस्तक्षेप से बचे और इन घूमती लहरों को कुशलतापूर्वक संभाल सके, और यह सब आधुनिक 5G नेटवर्क की तीव्र मांगों के साथ तालमेल बिठाने के लिए पर्याप्त तेज़ी से डिज़ाइन किया जा सके।

हाल ही में एक अध्ययन में, भारत के नेशनल इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने सब-6 GHz 5G स्पेक्ट्रम के लिए एक नए प्रकार का एंटीना बनाकर इन चुनौतियों का समाधान किया, जो वह फ्रीक्वेंसी रेंज है जो वर्तमान में अधिकांश मोबाइल नेटवर्क को शक्ति प्रदान करती है। उन्होंने दो उन्नत अवधारणाओं को जोड़ा: एक सबस्ट्रेट इंटीग्रेटेड वेवगाइड (substrate integrated waveguide), जो एक सपाट, सुरक्षित चैनल है जो बहुत कम नुकसान के साथ इलेक्ट्रोमैग्नेटिक तरंगों को निर्देशित करता है, और एक विशेष संरचना जो लीनियर (linear) तरंगों को सर्कुलर (circular) में बदल देती है। इसका परिणाम एक डुअल-पोर्ट एंटीना है, जिसका अर्थ है कि इसमें सिग्नलों के लिए दो अलग-अलग प्रवेश बिंदु हैं, जिन्हें बिना किसी हस्तक्षेप के एक साथ काम करने के लिए डिज़ाइन किया गया है। यह सुनिश्चित करने के लिए कि डिज़ाइन एकदम सही हो, टीम ने केवल पारंपरिक, समय लेने वाले कंप्यूटर सिमुलेशन पर भरोसा नहीं किया। इसके बजाय, उन्होंने मशीन लर्निंग का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है, ताकि डिज़ाइन प्रक्रिया में एक तेज़, बुद्धिमान मार्गदर्शक के रूप में कार्य किया जा सके।

शोधकर्ताओं ने एक मानक सर्किट बोर्ड सामग्री पर एंटीना का एक भौतिक मॉडल बनाकर शुरुआत की। डिवाइस का मुख्य भाग एक आयताकार कैविटी (cavity) है जो नन्हे धातु के खंभों (metal posts) से ढकी होती है, जो ऊर्जा को फँसाती है और उसे कुशलतापूर्वक निर्देशित करती है। इस कैविटी के ऊपर, उन्होंने एक पतली परत को लटकाया जिसमें एक पैटर्न वाली सतह थी, जिसे मेटासरफेस (metasurface) कहा जाता है। यह परत एक कनवर्टर के रूप में कार्य करती है, जो आने वाले सिग्नल के सीधे कंपन को लेती है और उसे मजबूत संचार के लिए आवश्यक गोलाकार गति में बदल देती है। टीम ने कैविटी के आकार, धातु के खंभों की दूरी और बोर्ड में कटे हुए स्लॉट्स के आयामों को सावधानीपूर्वक समायोजित किया। उन्होंने यह परीक्षण किया कि इन परिवर्तनों ने एंटीना की सिग्नल स्वीकार करने और इसके दो पोर्ट्स के बीच हस्तक्षेप को रोकने की क्षमता को कैसे प्रभावित किया।

एंटीना के सर्वोत्तम आकार की खोज को तेज़ करने के लिए, टीम ने हजारों कंप्यूटर सिमुलेशन चलाकर डेटा की एक विशाल लाइब्रेरी तैयार की, जिनमें से प्रत्येक के आयाम थोड़े अलग थे। फिर उन्होंने दो अलग-अलग मशीन लर्निंग एल्गोरिदम को प्रशिक्षित किया, एक जो मस्तिष्क की संरचना पर आधारित है और दूसरा जो डिसीजन ट्री (decision trees) बनाता है, ताकि वे एंटीना के भौतिक आकार और इसके प्रदर्शन के बीच के संबंध को सीख सकें। इन एल्गोरिदम ने बिना हर बार एक पूर्ण, धीमे सिमुलेशन को चलाए, एंटीना के व्यवहार की भविष्यवाणी करना सीख लिया। अध्ययन से पता चला कि ट्री-आधारित एल्गोरिदम विशेष रूप से सटीक था, जिसने उच्च स्तर के विश्वास के साथ एंटीना के व्यवहार की भविष्यवाणी की। इसने शोधकर्ताओं को अंतिम डिज़ाइन के लिए इष्टतम आयामों की पहचान करने में तेज़ी से मदद की।

अंतिम, अनुकूलित एंटीना ने कंप्यूटर मॉडल और भौतिक परीक्षण दोनों में असाधारण प्रदर्शन किया। यह 4.7 से 5.25 GHz की फ्रीक्वेंसी रेंज में प्रभावी ढंग से काम करता है, जो आवश्यक सब-6 GHz 5G स्पेक्ट्रम को कवर करता है। इस रेंज के भीतर, एंटीना सफलतापूर्वक लीनियर सिग्नलों को सर्कुलर में बदल देता है, जिससे 4.9 से 5.18 GHz तक एक स्थिर, घूमती हुई लहर बनी रहती है। महत्वपूर्ण रूप से, एंटीना के दोनों पोर्ट एक-दूसरे से लगभग पूरी तरह स्वतंत्र रहे, जिसमें हस्तक्षेप का स्तर नेगेटिव 40 डेसिबल से नीचे रहा, जो सिग्नलों के बहुत साफ अलगाव को दर्शाता है। डिवाइस ने 9.5 डेसिबल का पीक गेन (peak gain) भी प्राप्त किया, जिसका अर्थ है कि यह सिग्नल को वांछित दिशा में मजबूती से केंद्रित करता है। जब शोधकर्ताओं ने एक भौतिक प्रोटोटाइप बनाया और इसे वेक्टर नेटवर्क एनालाइज़र के साथ टेस्ट किया, तो वास्तविक दुनिया के माप कंप्यूटर भविष्यवाणियों से काफी मिलते-जुलते थे, जिससे पुष्टि हुई कि डिज़ाइन इच्छित रूप से काम करता है।

यह कार्य प्रदर्शित करता है कि उन्नत एंटीना भौतिकी को मशीन लर्निंग के साथ मिलाने से अगली पीढ़ी के वायरलेस सिस्टम के लिए कॉम्पैक्ट, हाई-गेन समाधान तैयार किए जा सकते हैं। आकार, बैंडविड्थ और सिग्नल शुद्धता के बीच जटिल समझौतों को नेविगेट करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो शक्तिशाली और कुशल दोनों है। अपने पोर्ट्स के बीच मजबूत आइसोलेशन बनाए रखने और उच्च गेन प्रदान करने की एंटीना की क्षमता इसे भविष्य के 5G अनुप्रयोगों के लिए एक मजबूत उम्मीदवार बनाती है, जहाँ विश्वसनीय, उच्च-गति डेटा ट्रांसफर महत्वपूर्ण है। यह अध्ययन पुष्टि करता है कि मशीन लर्निंग केवल एक सैद्धांतिक उपकरण नहीं है, बल्कि जटिल इलेक्ट्रॉनिक घटकों के डिज़ाइन को तेज़ करने का एक व्यावहारिक तरीका है, जो कभी धीमी, पुनरावृत्ति वाली प्रक्रिया को नवाचार के एक सुव्यवस्थित पथ में बदल देता है।