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

वायरलेस संचार की दुनिया लगातार तेज़ गति और अधिक डेटा क्षमता की ओर दौड़ रही है। भविष्य की तकनीक की मांगों के साथ तालमेल बिठाने के लिए, वैज्ञानिक उन रेडियो तरंगों से परे देख रहे हैं जिनका हम आज उपयोग करते हैं और टेराहर्ट्ज़ (terahertz) स्पेक्ट्रम की ओर बढ़ रहे हैं। यह क्षेत्र माइक्रोवेव और प्रकाश के बीच स्थित है, जो डेटा ट्रांसफर की ऐसी दरें प्रदान करने की क्षमता रखता है जो वर्तमान में अकल्पनीय हैं। हालाँकि, इन आवृत्तियों का दोहन करना कठिन है। इस स्तर के संकेत जल्दी फीके पड़ जाते हैं और हवा द्वारा अवशोषित हो जाते हैं, जिससे उन्हें प्रभावी ढंग से भेजने और प्राप्त करने के लिए विशेष उपकरणों की आवश्यकता होती है। इस क्षमता को अनलॉक करने की कुंजी ऐसे सूक्ष्म, कुशल एंटेना डिजाइन करने में निहित है जो बिना शक्ति या स्पष्टता खोए इस उच्च-आवृत्ति शासन में काम कर सकें।

इस खोज में, शोधकर्ताओं ने उन्नत सामग्रियों और स्मार्ट कंप्यूटिंग के संयोजन की ओर रुख किया है। एक आशाजनक सामग्री ग्राफीन (graphene) है, जो कार्बन परमाणुओं की एक एकल परत है जो अविश्वसनीय रूप से पतली और सुचालक है, जिसे एक एंटीना के व्यवहार को बदलने के लिए ट्यून किया जा सकता है। एक अन्य दृष्टिकोण में सिलिकॉन का उपयोग करना शामिल है, जो इलेक्ट्रॉनिक्स में एक सामान्य सामग्री है, जिसे तरंगों को कुशलतापूर्वक निर्देशित करने के लिए विशिष्ट आकृतियों में ढाला जाता है। हालाँकि, चुनौती यह है कि इन एंटेना को डिजाइन करना एक धीमी और जटिल प्रक्रिया है। पारंपरिक कंप्यूटर सिमुलेशन, जो धातु और डाइइलेक्ट्रिक संरचनाओं के साथ तरंगों के परस्पर क्रिया करने के परीक्षण के लिए आभासी 'विंड टनल' के रूप में कार्य करते हैं, चलाने में बहुत लंबा समय लेते हैं। चीजों को गति देने के लिए, कई भारतीय संस्थानों के शोधकर्ताओं की एक टीम ने एक नई विधि विकसित की है जो इन भौतिक डिजाइनों को मशीन लर्निंग के साथ जोड़ती है, जो कि आर्टिफिशियल इंटेलिजेंस का एक रूप है जो भविष्यवाणियां करने के लिए डेटा से सीखता है।

शोधकर्ताओं ने सिलिकॉन बेस पर ग्राफीन की एक पतली परत चढ़ाकर एक टू-पोर्ट एंटीना (दो पोर्ट वाला एंटीना), जो अनिवार्य रूप से दो अलग-अलग कनेक्शन बिंदुओं वाला एक उपकरण है, बनाने का लक्ष्य रखा। उन्होंने एंटीना को लगभग 2.35 और 3.8 टेराहर्ट्ज़ के बीच की एक विशिष्ट विस्तृत रेंज में काम करने के लिए डिजाइन किया। डिवाइस को और भी उपयोगी बनाने के लिए, उन्हें इसके प्रदर्शन में एक "नॉच" (notch), या एक जानबूझकर बनाया गया अंतराल, बनाने की आवश्यकता थी। यह अंतराल आवृत्तियों की एक विशिष्ट रेंज (2.75 से 3.15 टेराहर्ट्ज़ के बीच) को ब्लॉक करेगा, जिससे उसी बैंड में काम कर रहे अन्य संकेतों से होने वाले हस्तक्षेप को रोका जा सके। उन्होंने इसे एंटीना की सतह पर गोलाकार धात्विक छल्लों और एक प्रिंटेड लाइन को जोड़कर हासिल किया। इसके अलावा, यह सुनिश्चित करने के लिए कि दोनों पोर्ट एक-दूसरे के साथ हस्तक्षेप न करें, उन्होंने ग्राउंड लेयर पर एक विशेष पैटर्न शामिल किया, जिसे 'डिफेक्टेड ग्राउंड स्ट्रक्चर' (defected ground structure) कहा जाता है, जो संकेतों को अलग रखने के लिए एक अवरोध के रूप में कार्य करता है।

यह समझने के लिए कि यह डिजाइन कैसे काम करता है, टीम ने विद्युत चुम्बकीय तरंगों के व्यवहार का अनुकरण करने के लिए शक्तिशाली कंप्यूटर सॉफ्टवेयर का उपयोग किया। इन सिमुलेशनों ने खुलासा किया कि एक संशोधित रिंग स्लॉट के साथ आकार दिया गया सिलिकॉन डाइइलेक्ट्रिक रॉड, विस्तृत ऑपरेटिंग रेंज के लिए जिम्मेदार था। सिमुलेशन ने दिखाया कि एंटीना ने सफलतापूर्वक दो अलग-अलग बैंड बनाए: एक 2.2 से 2.65 टेराहर्ट्ज़ और दूसरा 3.3 से 3.7 टेराहर्ट्ज़। गोलाकार छल्ले और प्रिंटेड लाइन ने बीच की अवांछित आवृत्तियों को प्रभावी ढंग से ब्लॉक कर दिया, जबकि डिफेक्टेड ग्राउंड स्ट्रक्चर ने दोनों पोर्ट्स के बीच कपलिंग को अत्यंत कम रखा, जिससे यह -25 डेसिबल से नीचे पहुँच गई। एक विश्वसनीय मल्टी-पोर्ट सिस्टम के रूप में कार्य करने के लिए इस निम्न स्तर का हस्तक्षेप अत्यंत महत्वपूर्ण है। ग्राफीन कोटिंग ने लचीलेपन की एक परत जोड़ी, जिससे एंटीना की आवृत्ति को उसके विद्युत विभव (electrical potential) को समायोजित करके ट्यून करना संभव हुआ, ठीक वैसे ही जैसे स्टेशन बदलने के लिए डायल घुमाया जाता है।

यह पहचानते हुए कि हर संभावित डिजाइन भिन्नता के लिए इतने जटिल सिमुलेशन चलाना बहुत लंबा समय ले सकता है, शोधकर्ताओं ने एंटीना के प्रदर्शन की भविष्यवाणी करने के लिए एक मशीन लर्निंग फ्रेमवर्क पेश किया। उन्होंने सिमुलेशन सॉफ्टवेयर में एंटीना के हिस्सों के आयामों को थोड़ा बदलकर एक विशाल डेटासेट तैयार किया, जिससे 1,25,000 से अधिक अद्वितीय डेटा बिंदु बने। इसके बाद उन्होंने इस डेटा पर दो अलग-अलग प्रकार के मशीन लर्निंग मॉडल को प्रशिक्षित किया: एक डीप न्यूरल नेटवर्क, जो मानव मस्तिष्क की परतों की नकल करता है, और एक रैंडम फॉरेस्ट, जो निर्णय वृक्षों (decision trees) के एक संग्रह का उपयोग करता है। लक्ष्य यह देखना था कि क्या ये मॉडल एंटीना के प्रदर्शन, विशेष रूप से संकेतों को परावर्तित करने की इसकी क्षमता, की सटीक भविष्यवाणी कर सकते हैं, बिना हर बार पूर्ण, समय लेने वाला सिमुलेशन चलाए।

इस कम्प्यूटेशनल प्रयोग के परिणाम उत्साहजनक थे। दोनों मशीन लर्निंग मॉडल उच्च सटीकता के साथ एंटीना के व्यवहार की भविष्यवाणी करने में सक्षम रहे, जिसमें 80 प्रतिशत से अधिक सफलता दर प्राप्त हुई। डीप न्यूरल नेटवर्क ने रैंडम फॉरेस्ट मॉडल की तुलना में अधिक सटीक भविष्यवाणियां प्रदान कीं, जिसने आवृत्ति स्पेक्ट्रम में प्रदर्शन का सही अनुमान लगाया। जब शोधकर्ताओं ने मशीन लर्निंग की भविष्यवाणियों की वास्तविक सिमुलेशन परिणामों के साथ तुलना की, तो संख्याएं बारीकी से मेल खाती थीं, जिससे पुष्टि हुई कि आर्टिफिशियल इंटेलिजेंस ने डिजाइन के अंतर्निहित भौतिकी को सीख लिया है। यह सुझाव देता है कि भविष्य में, इंजीनियर इन मॉडलों का उपयोग करके मौजूदा समय के एक अंश में एंटीना को डिजाइन और अनुकूलित कर सकते हैं, बस कंप्यूटर को पिछले उदाहरणों से सीखने देकर।

डिजाइन का अंतिम सत्यापन विभिन्न सिमुलेशन टूल्स के साथ परिणामों की क्रॉस-चेकिंग से हुआ, जिसने पुष्टि की कि एंटीना स्थिर रेडिएशन पैटर्न और उच्च दक्षता बनाए रखता है। डिवाइस ने लगभग 3.5 से 4.5 डेसिबल का गेन (gain), या ऊर्जा को केंद्रित करने की क्षमता दिखाई, जो इस प्रकार के अनुप्रयोग के लिए एक मजबूत प्रदर्शन है। शोधकर्ताओं ने विविधता मापदंडों (diversity parameters) की भी जांच की, जो यह मापते हैं कि फेडिंग वातावरण में दो पोर्ट कितनी अच्छी तरह मिलकर काम करते हैं, और पाया कि संकेत असंबद्ध (uncorrelated) और प्रभावी रहे। सिलिकॉन और ग्राफीन का उपयोग करके एक नवीन भौतिक डिजाइन को एक स्मार्ट मशीन लर्निंग प्रेडिक्शन सिस्टम के साथ जोड़कर, टीम ने एक उच्च-गति वाले एंटीना का ब्लूप्रिंट तैयार किया है जो एक दिन वायरलेस संचार की अगली पीढ़ी के लिए आवश्यक टेराबिट-प्रति-सेकंड डेटा गति का समर्थन कर सकता है।