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

La comunicazione wireless si affida a onde invisibili che trasportano i nostri dati attraverso l'aria. Per rendere queste connessioni più veloci e affidabili, gli ingegneri utilizzano spesso più antenne che lavorano insieme, un sistema noto come MIMO. Tuttavia, quando queste antenne sono posizionate vicine tra loro, tendono a interferire tra loro, proprio come due persone che cercano di parlare nella stessa piccola stanza. Questa interferenza, o "accoppiamento", indebolisce il segnale. Un'altra sfida è l'orientamento delle onde; se un'antenna trasmittente invia un'onda che ruota in una direzione e un'antenna ricevente se ne aspetta una che ruota nella direzione opposta, la connessione fallisce. Per risolvere questo problema, gli ingegneri progettano antenne in grado di gestire la polarizzazione circolare, dove l'onda ruota in cerchio, rendendo la connessione robusta indipendentemente da come viene tenuto il dispositivo. L'obiettivo è costruire un'antenna compatta e ad alte prestazioni che eviti le interferenze e gestisca efficientemente queste onde rotanti, il tutto essendo progettata abbastanza velocemente da stare al passo con le rapide richieste delle moderne reti 5G.

In uno studio recente, i ricercatori del National Institute of Technology in India hanno affrontato queste sfide creando un nuovo tipo di antenna per lo spettro 5G sub-6 GHz, l'intervallo di frequenze che alimenta la maggior parte delle attuali reti mobili. Hanno combinato due concetti avanzati: una guida d'onda integrata in un substrato, che è un canale piatto e schermato che guida le onde elettromagnetiche con pochissima perdita, e una struttura speciale che converte le onde lineari in circolari. Il risultato è un'antenna a doppia porta, il che significa che ha due punti di ingresso separati per i segnali, progettata per operare insieme senza interferenze. Per garantire che il design fosse perfetto, il team non si è affidato esclusivamente alle tradizionali e lunghe simulazioni al computer. Invece, ha impiegato l'apprendimento automatico (machine learning), un ramo dell'intelligenza artificiale, per agire come una guida rapida e intelligente attraverso il processo di progettazione.

I ricercatori hanno iniziato costruendo un modello fisico dell'antenna su un materiale standard per circuiti stampati. Il cuore del dispositivo è una cavità rettangolare rivestita di minuscoli post metallici, che intrappola l'energia e la dirige in modo efficiente. Sopra questa cavità, hanno sospeso uno strato sottile contenente una superficie strutturata, nota come metasuperficie. Questo strato agisce come un convertitore, prendendo la vibrazione rettilinea del segnale in entrata e torcendola nel movimento circolare richiesto per una comunicazione robusta. Il team ha regolato attentamente la dimensione della cavità, la spaziatura dei post metallici e le dimensioni delle fessure praticate nella scheda. Hanno testato come questi cambiamenti influenzassero la capacità dell'antenna di accettare segnali e di respingere l'interferenza tra le sue due porte.

Per accelerare la scoperta della migliore forma possibile, il team ha generato una massiccia libreria di dati eseguendo migliaia di simulazioni al computer, ciascuna con dimensioni leggermente diverse. Successivamente, hanno addestrato due diversi algoritmi di apprendimento automatico, uno basato su una struttura cerebrale simulata e un altro che costruisce alberi decisionali, per apprendere la relazione tra la forma fisica dell'antenna e le sue prestazioni. Questi algoritmi hanno imparato a prevedere come l'antenna si sarebbe comportata senza la necessità di eseguire ogni volta una simulazione completa e lenta. Lo studio ha rilevato che l'algoritmo basato su alberi era particolarmente accurato, prevedendo il comportamento dell'antenna con un alto grado di confidenza. Ciò ha permesso ai ricercatori di identificare rapidamente le dimensioni ottimali per il design finale.

L'antenna ottimizzata finale ha ottenuto prestazioni eccezionali sia nei modelli al computer che nei test fisici. Opera efficacementamente in un intervallo di frequenze da 4,7 a 5,25 GHz, che copre l'essenziale spettro 5G sub-6 GHz. All'interno di questo intervallo, l'antenna converte con successo i segnali lineari in circolari, mantenendo un'onda rotante stabile da 4,9 a 5,18 GHz. Fondamentalmente, le due porte dell'antenna sono rimaste quasi completamente indipendenti l'una dall'altra, con livelli di interferenza scesi sotto i -40 decibel, una cifra che indica una separazione dei segnali molto pulita. Il dispositivo ha anche raggiunto un guadagno di picco di 9,5 decibel, il che significa che focalizza il segnale fortemente nella direzione desiderata. Quando i ricercatori hanno costruito un prototipo fisico e lo hanno testato con un analizzatore di rete vettoriale, le misurazioni del mondo reale hanno corrisposto da vicino alle previsioni del computer, confermando che il design funziona come previsto.

Questo lavoro dimostra che combinare la fisica avanzata delle antenne con l'apprendimento automatico può produrre soluzioni compatte e ad alto guadagno per i sistemi wireless di prossima generazione. Utilizzando l'intelligenza artificiale per navigare nei complessi compromessi tra dimensioni, larghezza di banda e purezza del segnale, i ricercatori hanno creato un dispositivo che è allo stesso tempo potente ed efficiente. La capacità dell'antenna di mantenere una forte isolazione tra le sue porte fornendo al contempo un alto guadagno la rende un forte candidato per le future applicazioni 5G, dove il trasferimento di dati affidabile e ad alta velocità è critico. Lo studio conferma che l'apprendimento automatico non è solo uno strumento teorico, ma un metodo pratico per accelerare la progettazione di componenti elettronici complessi, trasformando quello che un tempo era un processo lento e iterativo in un percorso snello verso l'innovazione.