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

Il mondo della comunicazione wireless è in una corsa costante verso velocità più elevate e una maggiore capacità di dati. Per stare al passo con le richieste delle tecnologie future, gli scienziati stanno guardando oltre le onde radio che utilizziamo oggi e verso lo spettro dei terahertz. Questa regione dello spettro elettromagnetico si colloca tra le microonde e la luce, offrendo il potenziale per velocità di trasferimento dati attualmente inimmaginabili. Tuttavia, sfruttare queste frequenze è difficile. I segnali a questo livello tendono a svanire rapidamente e vengono assorbiti dall'aria, richiedendo apparecchiature specializzate per trasmetterli e riceverli efficacemente. La chiave per sbloccare questo potenziale risiede nella progettazione di antenne minuscole ed efficienti che possano operare in questo regime ad alta frequenza senza perdere potenza o chiarezza.

In questa ricerca, i ricercatori si sono rivolti a una combinazione di materiali avanzati e informatica intelligente. Un materiale promettente è il grafene, un singolo strato di atomi di carbonio incredibilmente sottile e conduttivo, che può essere sintonizzato per cambiare il modo in cui un'antenna si comporta. Un altro approccio prevede l'uso del silicio, un materiale comune nell'elettronica, modellato in forme specifiche per guidare le onde in modo efficiente. La sfida, tuttavia, è che progettare queste antenne è un processo lento e complesso. Le simulazioni informatiche tradizionali, che fungono da gallerie del vento virtuali per testare come le onde interagiscono con strutture metalliche e dielettriche, richiedono molto tempo per essere eseguite. Per velocizzare le cose, un team di ricercatori provenienti da diverse istituzioni indiane ha sviluppato un nuovo metodo che combina questi design fisici con l'apprendimento automatico (machine learning), una forma di intelligenza artificiale che impara dai dati per fare previsioni.

I ricercatori si sono posti l'obiettivo di costruire un'antenna a due porte, essenzialmente un dispositivo con due punti di connessione separati, utilizzando una base di silicio rivestita da un sottile strato di grafene. Hanno progettato l'antenna per operare entro un intervallo di frequenze specifico e ampio, approssimativamente tra 2,35 e 3,8 terahertz. Per rendere il dispositivo ancora più utile, dovevano creare una "tacca" (notch), o un vuoto deliberato, nelle sue prestazioni. Questo spazio bloccherebbe un intervallo specifico di frequenze tra 2,75 e 3,15 terahertz, impedendo l'interferenza da altri segnali che potrebbero operare in quella stessa banda. Ci sono riusciti aggiungendo anelli metallici circolari e una linea stampata sulla superficie dell'antenna. Inoltre, per garantire che le due porte non interferissero tra loro, hanno incorporato un particolare schema sullo strato di terra, noto come struttura di terra difettosa (defected ground structure), che agisce come una barriera per mantenere separati i segnali.

Per capire come funzionasse questo design, il team ha utilizzato potenti software informatici per simulare il comportamento delle onde elettromagnetiche. Queste simulazioni hanno rivelato che la barra dielettrica di silicio, modellata con una fessura ad anello modificata, era responsabile dell'ampio intervallo operativo. Le simulazioni hanno mostrato che l'antenna creava con successo due bande distinte di operatività: una da 2,2 a 2,65 terahertz e un'altra da 3,3 a 3,7 terahertz. Gli anelli circolari e la linea stampata bloccavano efficacemente le frequenze indesiderate nel mezzo, mentre la struttura di terra difettosa manteneva l'accoppiamento tra le due porte estremamente basso, riducendolo a meno di -25 decibel. Questo basso livello di interferenza è fondamentale per il funzionamento di un dispositivo come sistema multi-porta affidabile. Il rivestimento in grafene ha aggiunto un livello di flessibilità, permettendo di sintonizzare la frequenza dell'antenna regolando il suo potenziale elettrico, proprio come girare una manopola per cambiare stazione.

Riconoscendo che eseguire queste simulazioni complesse per ogni possibile variazione di design avrebbe richiesto troppo tempo, i ricercatori hanno introdotto un framework di machine learning per prevedere le prestazioni dell'antenna. Hanno generato un enorme dataset modificando leggermente le dimensioni delle parti dell'antenna nel software di simulazione, creando oltre 125.000 punti dati unici. Hanno poi addestrato due diversi tipi di modelli di machine learning su questi dati: una rete neurale profonda, che imita gli strati del cervello umano, e una foresta casuale (random forest), che utilizza una collezione di alberi decisionali. L'obiettivo era vedere se questi modelli potessero prevedere con precisione il comportamento dell'antenna, specificamente la sua capacità di riflettere i segnali, senza dover eseguire ogni volta la simulazione completa e lunga.

I risultati di questo esperimento computazionale sono stati incoraggianti. Entrambi i modelli di machine learning si sono dimostrati capaci di prevedere il comportamento dell'antenna con un'elevata precisione, raggiungendo tassi di successo superiori all'80 percento. La rete neurale profonda ha fornito previsioni leggermente più precise rispetto al modello random forest, stimando correttamente le prestazioni attraverso lo spettro delle frequenze. Quando i ricercatori hanno confrontato le previsioni del machine learning con i risultati delle simulazioni reali, i numeri corrispondevano da vicino, confermando che l'intelligenza artificiale aveva appreso la fisica sottostante del design. Ciò suggerisce che in futuro gli ingegneri potrebbero utilizzare questi modelli per progettare e ottimizzare le antenne in una frazione del tempo che occorre attualmente, semplicemente lasciando che il computer impari dagli esempi precedenti.

La verifica finale del design è arrivata dal controllo incrociato dei risultati con diversi strumenti di simulazione, che ha confermato come l'antenna mantenesse schemi di radiazione stabili ed un'alta efficienza. Il dispositivo ha mostrato un guadagno, ovvero la capacità di focalizzare l'energia, di circa 3,5 - 4,5 decibel, che è una prestazione solida per questo tipo di applicazione. I ricercatori hanno anche controllato i parametri di diversità, che misurano quanto bene le due porte lavorano insieme in un ambiente di fading, e hanno scoperto che i segnali rimanevano non correlati ed efficaci. Combinando un nuovo design fisico utilizzando silicio e grafene con un sistema di previsione intelligente basato sul machine learning, il team ha creato il progetto per un'antenna ad alta velocità che potrebbe un giorno supportare le velocità di trasmissione dati di terabit al secondo richieste dalla prossima generazione di comunicazioni wireless.