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

技術要約：改良型2.6 GHz単一素子スイッチドビームアンテナの実験的および機械学習による検証

問題提起
5G sub-6 GHz無線通信の文脈において、信号干渉を最小限に抑えるために放射方向を制御できる、コンパクトでコスト効率が高く、高性能なアンテナに対する切実なニーズが存在する。単一素子のマイクロストリップアンテナは、サイズや集積化の面で利点があるものの、通常、固有のビームステアリング機能は備えていない。従来のスイッチドビーム・ソリューションは、複雑なマルチエレメント・フェーズドアレイやダイオード制御構造に依存することが多く、これらは消費電力、コスト、および物理的な複雑さを増大させる。さらに、従来のアンテナ設計は、計算負荷が高く時間のかかるフルウェーブ電磁界（EM）シミュレーションに大きく依存している。機械学習（ML）は性能予測において有望であることを示してきたが、これまでの研究は、特に単一素子のスイッチドビーム設計における包括的な実験的検証を欠いた、シミュレーションに基づく予測のみに焦点を当てることが多かった。

手法
著者らは、2.6 GHzで動作する単一素子円形マイクロストリップアンテナの設計および検証フレームワークを提案している。手法は主に3つのフェーズに分かれている。

1. アンテナ設計およびシミュレーション：

   • 構造： アンテナはFR-4基板（$\epsilon_r = 4.4$、厚さ = 1.6 mm）上に製作されている。これは、その外周に沿って分布する56個の穴を備えた、改良された円形パッチを特徴としている。
   • ビーム切替メカニズム： ビームステアリングは、マイクロコントローラによって制御される銅線、キャパシタ、およびPINダイオードを使用して、パッチのエッジに沿った特定の穴のグループを選択的に短絡させることで実現される。特定の回路を開放し、他の回路を短絡させることにより、メインビームを8つの異なる角度方向（0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°）へとステアリングする。
   • データ生成： CST Studio Suiteを用いて150のデータセットを生成した。140のサンプル（学習用112、テスト用28）をMLモデルの開発に使用し、残りの10個の独立したサンプルを検証セットとして使用した。入力パラメータには、短絡方向、半径方向の距離、短絡穴の数、および穴の間隔が含まれる。出力は、メインビームの方向と反射係数（リターンロス）である。

2. 機械学習モデリング：

   • Pythonを用いて、4つの回帰ベースのアルゴリズム（Gradient Boosting Regression (GBR)、Lasso Regression (LR-Lasso)、Linear Regression (LR)、Random Forest (RF)）を実装した。
   • これらのモデルは、幾何学的な入力パラメータに基づいてビーム方向とリターンロスを予測するように訓練された。性能は、決定係数（$R^2$）および平均絶対誤差（MAE）を用いて評価された。

3. 実験的検証：

   • MLによって予測されたパラメータに基づき、物理的なプロトタイプを製作した。プロトタイプは、8つのビーム状態を切り替えるために、マイクロコントローラによって制御される銅の短絡ワイヤとPINダイオードを利用している。
   • 2.6 GHzにおけるリターンロスと放射パターンを検証するために測定を行い、実験結果をCSTシミュレーションおよびML予測と比較した。

主な貢献

• 単一素子スイッチドビーム設計： 本論文は、パッチエッジに沿った短絡制御メカニズムを利用することで、複雑なフェーズドアレイを必要とせずに8方向のビーム切替が可能な、コンパクトな単一素子アンテナを提示している。
• ML支援による設計最適化： 本研究は、ビーム方向とリターンロスを予測するためにMLを適用し、反復的なEMシミュレーションへの依存度を大幅に減少させることを実証している。
• 包括的な実験的検証： シミュレーションのみに焦点を当てた先行研究とは異なり、本研究は物理的なプロトタイプの製作と測定を含んでおり、MLの予測を実世界の性能に対して検証している。
• アルゴリズム比較： 本研究は4つのMLアルゴリズムを体系的に比較し、この特定の用途においてRandom Forestが最も効果的なモデルであることを特定した。

結果

• MLの性能：
  • ビーム方向： Random Forest (RF) モデルは、$R^2$が1.0、MAEが0という完璧な予測精度を達成した。Linear RegressionおよびLasso Regressionも完璧なスコアを達成しており、短絡の幾何学的形状とビーム方向の間に強い線形関係があることを示している。
  • リターンロス： RFモデルは、リターンロス予測において最もバランスの取れた性能を示し、$R^2$が0.805、MAEが最小の0.21であった。GBRはより高い$R^2$（0.898）を達成したが、より大きなMAE（0.520）を示した。
• 実験的成果：
  • 製作されたアンテナは、2.6 GHzにおいてターゲットとなる全8方向へのビーム切替に成功した。
  • 測定されたリターンロス値は12.26 dBから15.34 dBの範囲にあり、平均は14.25 dBであり、安定したインピーダンス整合を確認した。
  • 放射パターンの測定結果は、概ねシミュレーションと一致していた。しかし、特定の偏差が観察された。Case 4ではシミュレーションの135°から測定値の165°へ、Case 5では180°から200°へ、Case 8では315°から300°へとシフトした。最大偏差は30°であった。
  • 著者らは、これらの偏差を、PINダイオードの寄生インピーダンス、バイアス回路、はんだ接合部、および接続ワイヤなど、シミュレーションでは完全には捉えきれない実用的な実装要因によるものとしている。

意義と主張
本論文は、Random Forestアルゴリズムがアンテナ設計の精度を高め、シミュレーション時間を短縮すると同時に、実験結果との強い一致を維持することを主張している。本研究は、単一素子アンテナが、コンパクトな5G sub-6 GHzシステムに適した離散的な角度セクターに対して信頼できる指向性カバレッジを提供できることを示している。

著者らは、ML支援による設計アプローチは効果的であるものの、観察されたビーム偏差は、寄生効果のためにシミュレーションモデルを物理的なプロトタイプに変換することの難しさを浮き彫りにしていると控えめに結論付けている。彼らは、提案された設計が、コンパクトなアンテナ幾何学とインテリジェントな最適化を組み合わせることで、持続可能でエネルギー効率の高い無線インフラに貢献すると主張している。本論文は、すべてのビームステアリングの課題を解決すると主張するものではなく、単一素子スイッチドビームアンテナの設計への機械学習の統合に関する、検証済みの概念実証（proof-of-concept）として位置づけている。今後の課題として、より複雑なパラメータ（リターンロスなど）の予測精度をさらに向上させるために、高度なディープラーニングモデルの探索やデータセットの拡大が示唆されている。