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

Sintesi Tecnica: Validazione Sperimentale e di Machine Learning di un'Antenna a Fascio Commutato a Singolo Elemento Modificata a 2,6 GHz

Problematica
Nel contesto delle comunicazioni wireless 5G sub-6 GHz, esiste una necessità critica di antenne compatte, economiche e ad alte prestazioni che possano controllare la direzionalità della radiazione per minimizzare le interferenze di segnale. Sebbene le antenne microstrip a singolo elemento offrano vantaggi in termini di dimensioni e integrazione, esse tipicamente mancano di capacità intrinseche di puntamento del fascio (beam-steering). Le soluzioni tradizionali a fascio commutato spesso si affidano a array di fase multi-elemento complessi o strutture controllate da diodi che aumentano il consumo energetico, i costi e la complessità fisica. Inoltre, la progettazione convenzionale delle antenne si basa pesantemente su simulazioni elettromagnetiche (EM) a onda completa computazionalmente costose e dispendiose in termini di tempo. Sebbene il Machine Learning (ML) abbia mostrato potenziale nella previsione delle prestazioni delle antenne, studi precedenti si sono spesso concentrati esclusivamente sulla previsione basata su simulazioni senza una completa validazione sperimentale, in particolare per i design a fascio commutato a singolo elemento.

Metodologia
Gli autori propongono un design e un framework di validazione per un'antenna microstrip circolare a singolo elemento operante a 2,6 GHz. La metodologia è divisa in tre fasi primarie:

1. Design e Simulazione dell'Antenna:

   • Struttura: L'antenna è fabbricata su un substrato FR-4 ($\epsilon_r = 4,4$, spessore = 1,6 mm). Presenta un patch circolare modificato con 56 fori distribuiti lungo il suo perimetro.
   • Meccanismo di Commutazione del Fascio: Il puntamento del fascio è ottenuto cortocircuitando selettivamente gruppi specifici di fori lungo il bordo del patch utilizzando fili di rame, condensatori e diodi PIN controllati da un microcontrollore. Aprendo circuiti specifici e cortocircuitandone altri, il fascio principale viene orientato verso otto direzioni angolari distinte (0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°).
   • Generazione dei Dati: Sono stati generati 150 dataset utilizzando CST Studio Suite. 140 campioni (112 per l'addestramento, 28 per il test) sono stati utilizzati per lo sviluppo del modello ML, mentre 10 campioni indipendenti hanno servito come set di validazione. I parametri di input includevano la direzione del cortocircuito, la distanza radiale, il numero di fori in cortocircuito e la spaziatura tra i fori. Gli output erano la direzione del fascio principale e il coefficiente di riflessione (return loss).

2. Modellazione Machine Learning:

   • Quattro algoritmi di regressione sono stati implementati utilizzando Python: Gradient Boosting Regression (GBR), Lasso Regression (LR-Lasso), Linear Regression (LR) e Random Forest (RF).
   • I modelli sono stati addestrati per prevedere la direzione del fascio e il return loss basandosi sui parametri geometrici di input. Le prestazioni sono state valutate utilizzando il coefficiente di determinazione ($R^2$) e l'Errore Assoluto Medio (MAE).

3. Validazione Sperimentale:

   • Un prototipo fisico è stato fabbricato sulla base dei parametri predetti dal ML. Il prototipo ha utilizzato fili di cortocircuito in rame e diodi PIN controllati da un microcontrollore per commutare tra gli otto stati del fascio.
   • Le misurazioni sono state condotte a 2,6 GHz per verificare il return loss e i diagrammi di radiazione, confrontando i risultati sperimentali con le simulazioni CST e le previsioni ML.

Contributi Chiave

• Design a Fascio Commutato a Singolo Elemento: Il documento presenta un'antenna compatta a singolo elemento capace di commutazione del fascio in otto direzioni senza la necessità di array di fase complessi, utilizzando un meccanismo di controllo del cortocircuito lungo il bordo del patch.
• Ottimizzazione del Design Assistita da ML: Lo studio dimostra l'applicazione del ML per prevedere sia la direzione del fascio che il return loss, riducendo significativamente la dipendenza dalle simulazioni EM iterative.
• Verifica Sperimentale Completa: A differenza di lavori precedenti focalizzati principalmente sulla simulazione, questa ricerca include la fabbricazione e la misurazione di un prototipo fisico, validando le previsioni ML rispetto alle prestazioni nel mondo reale.
• Confronto tra Algoritmi: Il lavoro confronta sistematicamente quattro algoritmi ML, identificando Random Forest come il modello più efficace per questa specifica applicazione.

Risultati

• Prestazioni ML:
  • Direzione del Fascio: Il modello Random Forest (RF) ha raggiunto una precisione di previsione perfetta con un $R^2$ di 1,0 e un MAE di 0. La Regressione Lineare e la Lasso Regression hanno inoltre ottenuto punteggi perfetti, indicando una forte relazione lineare tra la geometria del cortocircuito e la direzione del fascio.
  • Return Loss: Il modello RF ha dimostrato la prestazione più equilibrata per la previsione del return loss, raggiungendo un $R^2$ di 0,805 e il MAE più basso di 0,21. Sebbene il GBR abbia ottenuto un $R^2$ più elevato (0,898), ha mostrato un MAE maggiore (0,520).
• Esiti Sperimentali:
  • L'antenna fabbricata ha commutato con successo i fasci in tutte le otto direzioni target a 2,6 GHz.
  • I valori misurati del return loss sono variati da 12,26 dB a 15,34 dB, con una media di 14,25 dB, confermando un adattamento di impedenza stabile.
  • Le misurazioni del diagramma di radiazione si sono generalmente allineate alle simulazioni. Tuttavia, sono state osservate deviazioni specifiche: il Caso 4 è passato da 135° (simulato) a 165° (misurato), il Caso 5 da 180° a 200°, e il Caso 8 da 315° a 300°. La deviazione massima è stata di 30°.
  • Gli autori attribuiscono queste deviazioni a fattori di implementazione pratica non pienamente catturati dalla simulazione, come l'impedenza parassita dei diodi PIN, i circuiti di polarizzazione, le giunzioni di saldatura e i fili di connessione.

Significatività e Rivendicazioni
Il documento afferma che l'algoritmo Random Forest migliora efficacementamente l'accuratezza del design dell'antenna e riduce i tempi di simulazione mantenendo una forte concordanza con i risultati sperimentali. Lo studio dimostra che un'antenna a singolo elemento può fornire una copertura direzionale affidabile attraverso settori angolari discreti, adatti a sistemi compatti 5G sub-6 GHz.

Gli autori concludono con moderazione che, sebbene l'approccio di design assistito da ML sia efficace, le deviazioni del fascio osservate evidenziano le sfide nel trasporre i modelli di simulazione in prototipi fisici a causa degli effetti parassiti. Essi sostengono che il design proposto contribuisce a un'infrastruttura wireless sostenibile ed efficiente dal punto di vista energetico, combinando una geometria di antenna compatta con un'ottimizzazione intelligente. Il documento non pretende di risolvere tutte le sfide del puntamento del fascio, ma pone questo lavoro come una prova di concetto validata per l'integrazione del ML nel design di antenne a fascio commutato a singolo elemento. Si suggerisce che il lavoro futuro esplori modelli avanzati di deep learning e amplii la dimensione del dataset per migliorare ulteriormente la precisione della previsione per parametri complessi come il return loss.