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

기술 요약: 변형된 2.6 GHz 단일 소자 스위치드 빔 안테나의 실험 및 머신러닝 검증

문제 정의
5G sub-6 GHz 무선 통신 맥락에서, 신호 간섭을 최소화하기 위해 방사 방향성을 제어할 수 있는 소형, 저비용, 고성능 안테나에 대한 요구가 높다. 단일 소자 마이크로스트립 안테나는 크기 및 집적도 측면에서 장점이 있지만, 본질적인 빔 조향 능력이 부족한 경우가 많다. 전통적인 스위치드 빔 솔루션은 복잡한 다중 소자 페이즈드 어레이(phased arrays)나 다이오드 제어 구조에 의존하는 경우가 많으며, 이는 전력 소비, 비용 및 물리적 복잡성을 증가시킨다. 또한, 기존의 안테나 설계는 계산 비용이 많이 들고 시간이 오래 걸리는 풀 웨이브(full-wave) 전자기(EM) 시뮬레이션에 크게 의존한다. 머신러닝(ML)이 안테나 성능 예측에서 유망한 결과를 보여주었으나, 이전 연구들은 주로 시뮬레이션 기반 예측에만 집중하였으며, 특히 단일 소자 스위치드 빔 설계에 대한 포괄적인 실험적 검증은 부족했다.

방법론
저자들은 2.6 GHz에서 동작하는 단일 소자 원형 마이크로스트립 안테나의 설계 및 검증 프레임워크를 제안한다. 방법론은 세 가지 주요 단계로 나뉜다:

1. 안테나 설계 및 시뮬레이션:

   • 구조: 안테나는 FR-4 기판($\epsilon_r = 4.4$, 두께 = 1.6 mm) 상에 제작된다. 이는 가장자리를 따라 56개의 구멍이 분산 배치된 변형된 원형 패치 형태를 가진다.
   • 빔 스위칭 메커니즘: 빔 조향은 패치 가장자리를 따라 특정 구멍 그룹들을 구리 와이어, 커패시터, 그리고 마이크로컨트롤러에 의해 제어되는 PIN 다이오드를 사용하여 선택적으로 단락(short-circuit)시킴으로써 달성된다. 특정 회로를 개방하고 다른 회로를 단락함으로써, 메인 빔을 8개의 서로 다른 각도 방향(0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°)으로 조향한다.
   • 데이터 생성: CST Studio Suite를 사용하여 150개의 데이터셋을 생성하였다. 140개의 샘플(학습용 112개, 테스트용 28개)은 ML 모델 개발에 사용되었고, 10개의 독립적인 샘플은 검증 세트로 사용되었다. 입력 파라미터에는 단락 방향, 반경 방향 거리, 단락 구멍의 수, 그리고 구멍 사이의 간격이 포함되었다. 출력값은 메인 빔 방향과 반사 계수(반사 손실)이다.

2. 머신러닝 모델링:

   • Python을 사용하여 네 가지 회귀 기반 알고리즘(Gradient Boosting Regression (GBR), Lasso Regression (LR-Lasso), Linear Regression (LR), Random Forest (RF))을 구현하였다.
   • 모델은 기하학적 입력 파라미터를 기반으로 빔 방향과 반사 손실을 예측하도록 학습되었다. 성능은 결정 계수($R^2$)와 평균 절대 오차(MAE)를 사용하여 평가되었다.

3. 실험적 검증:

   • ML이 예측한 파라미터를 기반으로 물리적 프로토타입을 제작하였다. 프로토타입은 8개의 빔 상태를 전환하기 위해 마이크로컨트롤러에 의해 제어되는 구리 단락 와이어와 PIN 다이오드를 활용하였다.
   • 2.6 GHz에서 반사 손실과 방사 패턴을 검증하기 위해 측정을 수행하였으며, 실험 결과를 CST 시뮬레이션 및 ML 예측값과 비교하였다.

주요 기여

• 단일 소자 스위치드 빔 설계: 본 논문은 복잡한 페이즈드 어레이 없이도 패치 가장자리를 따른 단락 제어 메커니즘을 활용하여 8방향 빔 스위칭이 가능한 컴팩트한 단일 소자 안테나를 제시한다.
• ML 보조 설계 최적화: 본 연구는 반복적인 EM 시뮬레이션에 대한 의존도를 크게 낮추면서 빔 방향과 반사 손실을 모두 예측하는 데 ML을 적용하는 방법을 입증하였다.
• 포괄적인 실험적 검증: 시뮬레이션에만 중점을 두었던 이전 연구들과 달리, 본 연구는 물리적 프로토타입의 제작 및 측정을 포함하여 ML 예측을 실제 성능과 대조하여 검증하였다.
• 알고리즘 비교: 본 연구는 네 가지 ML 알고리즘을 체계적으로 비교하여, 이 특정 응용 분야에 가장 효과적인 모델로 Random Forest를 식별하였다.

결과

• ML 성능:
  • 빔 방향: Random Forest (RF) 모델은 $R^2$ 1.0, MAE 0의 완벽한 예측 정확도를 달est하였다. Linear Regression과 Lasso Regression 또한 완벽한 점수를 기록하였는데, 이는 단락 기하 구조와 빔 방향 사이에 강한 선형 관계가 있음을 나타낸다.
  • 반사 손실: RF 모델은 반사 손실 예측에서 가장 균형 잡힌 성능을 보였으며, $R^2$ 0.805와 가장 낮은 MAE 0.21을 달성하였다. GBR은 더 높은 $R^2$(0.898)를 기록했으나, 더 큰 MAE(0.520)를 보였다.
• 실험 결과:
  • 제작된 안테하는 2.6 GHz에서 목표한 8개 방향 모두로 성공적으로 빔을 전환하였다.
  • 측정된 반사 손실 값은 12.26 dB에서 15.34 dB 사이였으며, 평균은 14.25 dB로 안정적인 임피던스 매칭을 확인하였다.
  • 방사 패턴 측정값은 일반적으로 시뮬레이션과 일치하였다. 그러나 특정 편차가 관찰되었다: Case 4는 135°(시뮬레이션)에서 165°(측정)로, Case 5는 180°에서 200°로, Case 8은 315°에서 300°로 이동하였다. 최대 편차는 30°였다.
  • 저자들은 이러한 편차를 시뮬레이션에 완전히 반영되지 않은 PIN 다이오드의 기생 임피던스, 바이어스 회로, 납땜 접점, 연결 와이어와 같은 실제 구현 요소 때문이라고 설명하였다.

의의 및 주장
본 논문은 Random Forest 알고리즘이 설계 정확도를 높이고 시뮬레이션 시간을 단축하면서도 실험 결과와 강력한 일치성을 유지함을 주장한다. 본 연구는 단일 소자 안테나가 컴팩트한 5G sub-6 GHz 시스템에 적합한 이산적 각도 섹터에 대해 신뢰할 수 있는 지향성 범위를 제공할 수 있음을 보여준다.

저자들은 ML 보조 설계 방식이 효과적이긴 하지만, 관찰된 빔 편차는 기생 효과로 인해 시뮬레이션 모델을 물리적 프로토타입으로 변환하는 과정의 어려움을 부각시킨다고 겸허히 결론짓는다. 그들은 제안된 설계가 컴팩트한 안테나 기하 구조와 지능형 최적화를 결리하여 지속 가능하고 에너지 효율적인 무선 인프라에 기여한다고 주장한다. 본 논문은 모든 빔 조향 문제를 해결한다고 주장하는 것이 아니라, 단일 소자 스위치드 빔 안테나 설계에 ML을 통합하는 것에 대한 검증된 개념 증명(proof-of-concept)으로서 본 연구를 위치시킨다. 향후 연구에서는 복잡한 파라미터(예: 반사 손실)에 대한 예측 정확도를 더욱 향상시키기 위해 고급 딥러닝 모델을 탐구하고 데이터셋 크기를 확장할 것을 제안하였다.