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

무선 통신의 세계는 더 빠른 속도와 더 큰 데이터 용량을 향해 끊임없이 질주하고 있습니다. 미래 기술의 요구에 부응하기 위해, 과학자들은 오늘날 우리가 사용하는 라디오파를 넘어 테라헤르츠(THz) 스펙트럼을 바라보고 있습니다. 이 영역은 마이크로파와 빛 사이에 위치하며, 현재로서는 상상할 수 없는 수준의 데이터 전송 속도를 제공할 잠재력을 가지고 있습니다. 그러나 이러한 주파수를 활용하는 것은 어렵습니다. 이 수준의 신호는 빠르게 감쇠하고 공기에 의해 흡수되는 경향이 있어, 이를 효과적으로 송수신하기 위해서는 특수 장비가 필요합니다. 이 잠재력을 실현하는 열쇠는 전력을 잃거나 선명도가 떨어지지 않고 이 고주파 영역에서 작동할 수 있는 작고 효율적인 안테나를 설계하는 데 있습니다.

이러한 추구 과정에서 연구자들은 첨단 재료와 스마트 컴퓨팅의 결합에 주목했습니다. 유망한 재료 중 하나는 그래핀으로, 이는 매우 얇고 전도성이 높은 탄소 원자 한 층으로 이루어져 있으며, 안테나의 동작 방식을 변화시키도록 조정될 수 있습니다. 또 다른 접근 방식은 전자 기기에서 흔히 쓰이는 실리콘을 특정 형태로 만들어 파동을 효율적으로 유도하는 것입니다. 하지만 문제는 이러한 안테나를 설계하는 과정이 느리고 복잡하다는 점입니다. 금속 및 유전체 구조와 파동이 어떻게 상호작용하는지 테스트하는 가상 풍동 역할을 하는 전통적인 컴퓨터 시뮬레이션은 실행하는 데 오랜 시간이 걸립니다. 이를 가속화하기 위해, 여러 인도 기관의 연구진은 이러한 물리적 설계와 머신러닝(데이터로부터 학습하여 예측을 수행하는 인공지능의 한 형태)을 결합한 새로운 방법을 개발했습니다.

연구진은 실리콘 기판 위에 얇은 그래핀 층을 입힌 형태의 2포트 안테나(본질적으로 두 개의 별도 연결 지점을 가진 장치)를 제작하고자 했습니다. 그들은 약 2.35에서 3.8 테라헤르츠 사이의 특정 광대역 주파수 범위 내에서 작동하도록 안테나를 설계했습니다. 이 장치를 더욱 유용하게 만들기 위해, 그들은 성능에 있어 '노치(notch)', 즉 의도적인 틈을 만들어야 했습니다. 이 틈은 동일한 대역에서 작동할 수 있는 다른 신호들로부터의 간섭을 방지하기 위해 2.75에서 3.15 테라헤르츠 사이의 특정 주파수 범위를 차단합니다. 그들은 안테나 표면에 원형 금속 링과 인쇄된 선을 추가함으로써 이를 달성했습니다. 나아가, 두 포트가 서로 간섭하지 않도록, 신호를 분리하는 장벽 역할을 하는 결함 접지 구조(defected ground structure)라고 알려진 특수한 패턴을 접지층에 포함시켰습니다.

이 설계가 어떻게 작동하는지 이해하기 위해 연구진은 전자기파의 거동을 시뮬레이션하는 강력한 컴퓨터 소프트웨어를 사용했습니다. 이러한 시뮬레이션은 변형된 링 슬롯이 적용된 실리콘 유전체 로드가 광대역 작동 범위를 책임지고 있음을 밝혀냈습니다. 시뮬레이션 결과, 안테나가 2.22.65 테라헤르츠와 3.33.7 테라헤르츠라는 두 개의 뚜렷한 작동 대역을 성공적으로 생성했음을 보여주었습니다. 원형 링과 인쇄된 선은 중간의 불필요한 주파수를 효과적으로 차단했으며, 결함 접지 구조는 두 포트 간의 결합(coupling)을 -25 데시벨 미만으로 낮게 유지하여 간섭을 최소화했습니다. 이러한 낮은 수준의 간섭은 장치가 신뢰할 수 있는 멀티포트 시스템으로서 기능하는 데 매우 중요합니다. 그래핀 코팅은 전기적 전위를 조절함으로써 마치 채널을 돌려 주파수를 맞추듯 안테나의 주파수를 튜닝할 수 있는 유연성을 더해주었습니다.

모든 가능한 설계 변수에 대해 이러한 복잡한 시뮬레이션을 매번 실행하는 것이 너무 오래 걸린다는 점을 인식한 연구진은, 안테나의 성능을 예측하기 위한 머신러닝 프레임워크를 도입했습니다. 그들은 시뮬레이션 소프트웨어에서 안테나 부품의 치수를 미세하게 변경하며 125,000개 이상의 고유한 데이터 포인트를 생성하여 방대한 데이터 세트를 만들었습니다. 그런 다음, 인간의 뇌 구조를 모방한 심층 신경망(deep neural network)과 결정 트리의 집합을 사용하는 랜덤 포레스트(random forest)라는 두 가지 유형의 머신러러닝 모델을 이 데이터로 학습시켰습니다. 목표는 이 모델들이 전체 시뮬레이션을 매번 실행하지 않고도 안테나의 성능, 특히 신호를 반사하는 능력을 정확하게 예측할 수 있는지 확인하는 것이었습니다.

이 계산 실험의 결과는 고무적이었습니다. 두 머신러닝 모델 모두 80% 이상의 높은 정확도를 달이며 안테나의 거동을 예측할 수 있음을 입증했습니다. 심층 신경망은 랜덤 포레스트 모델보다 약간 더 정밀한 예측을 제공하며 주파수 스펙트럼 전반에 걸친 성능을 정확히 추정했습니다. 연구진이 머신러닝 예측값과 실제 시뮬레이션 결과를 비교했을 때 수치가 밀접하게 일치하였으며, 이는 인공지능가 설계의 근저에 있는 물리학을 학습했음을 확인시켜 주었습니다. 이는 향에 엔지니어들이 단순히 컴퓨터가 이전 사례로부터 학습하게 함으로써, 현재 소요되는 시간의 아주 일부분만을 사용하여 안테나를 설계하고 최적화할 수 있음을 시사합니다.

최종적인 설계 검증은 다른 시뮬레이션 도구들과의 교차 검증을 통해 이루어졌으며, 이를 통해 안테나가 안정적인 방사 패턴과 높은 효율을 유지함을 확인했습니다. 이 장치는 약 3.5에서 4.5 데시벨의 이득(gain), 즉 에너지를 집중시키는 능력을 보여주었는데, 이는 이러한 응용 분야에서 강력한 성능입니다. 연구진은 또한 페이딩 환경에서 두 포트가 얼마나 잘 협력하는지를 측정하는 다양성 파라미터(diversity parameters)를 점검하였고, 신호가 상관관계가 없으며 효과적임을 발견했습니다. 실리콘과 그래핀을 이용한 새로운 물리적 설계와 스마트 머신러닝 예측 시스템을 결합함으로써, 연구진은 차세대 무선 통신에 필요한 테라비트급 데이터 속도를 지원할 수 있는 고속 안테라의 청사진을 만들어냈습니다.