Machine Learning Assisted Design and Optimization of a Dual-Port SIW Antenna with LP-to-CP Conversion for sub-6 GHz 5G Communication System

Draadloze communicatie vertrouwt op onzichtbare golven die onze gegevens door de lucht dragen. Om deze verbindingen sneller en betrouwbaarder te maken, gebruiken ingenieurs vaak meerdere antennes die samenwerken, een systeem dat bekend staat als MIMO. Echter, wanneer deze antennes dicht bij elkaar worden geplaatst, hebben ze de neiging om met elkaar te interfereren, net zoals twee mensen die proberen te praten in dezelfde kleine kamer. Deze interferentie, of "koppeling", verzwakt het signaal. Een andere uitdaging is de oriëntatie van de golven; als een zendantenne een golf uitzendt die in één richting draait en een ontvangstantenne verwacht dat deze de andere kant op draait, mislukt de verbinding. Om dit op te lossen, ontwerpen ingenieurs antennes die circulaire polarisatie kunnen verwerken, waarbij de golf in een cirkel draait, wat de verbinding robuust maakt, ongeacht hoe het apparaat wordt vastgehouden. Het doel is om een compacte, hoogwaardige antenne te bouwen die interferentie vermijdt en deze draaiende golven efficiënt afhandelt, terwijl deze ook snel genoeg wordt ontworpen om het tempo van de moderne 5G-netwerken bij te houden.

In een recente studie hebben onderzoekers aan het National Institute of Technology in India deze uitdagingen aangepakt door een nieuw type antenne te creëren voor het sub-6 GHz 5G-spectrum, het frequentiebereik dat de meeste huidige mobiele netwerken aandrijft. Ze combineerden twee geavanceerde concepten: een substrate integrated waveguide, wat een platte, afgeschermde kanaal is die elektromagnetische golven met zeer weinig verlies geleidt, en een speciale structuur die lineaire golven omzet in circulaire golven. Het resultaat is een dual-port antenne, wat betekent dat het twee aparte ingangen heeft voor signalen, ontworpen om samen te werken zonder te interfereren. Om ervoor te zorgen dat het ontwerp perfect was, vertrouwden de onderzoekers niet uitsluitend op traditionele, tijdrovende computersimulaties. In plaats daarvan gebruikten ze machine learning, een tak van kunstmatige intelligentie, om als een snelle, intelligente gids door het ontwerpproces te fungeren.

De onderzoekers begonnen met het bouwen van een fysiek model van de antenne op een standaard printplaatmateriaal. De kern van het apparaat is een rechthoekige holte bekleed met minuscule metalen staafjes, die de energie vasthoudt en deze efficiënt leidt. Bovenop deze holte lieten ze een dunne laag zweven die een gepatroneerd oppervlak bevat, bekend als een metasurface. Deze laag fungeert als een converter, die de rechtlijnige trilling van het binnenkomende signaal neemt en het in de cirkelvormige beweging draait die vereist is voor robuuste communicatie. Het team paste zorgvuldig de grootte van de holte aan, de afstand tussen de metalen staafjes en de afmetingen van de sleuven die in de plaat zijn gesneden. Ze testten hoe deze veranderingen de bekwaamheid van de antenne beïnvloedden om signalen te ontvangen en interferentie tussen de twee poorten af te wijzen.

Om de ontdekking van de best mogende vorm te versnellen, genereerde het team een enorme bibliotheek aan gegevens door duizenden computersimulaties uit te voeren, elk met licht afwijkende dimensies. Vervolgens trainden ze twee verschillende machine learning-algoritmen, waarvan één gebaseerd is op een gesimuleerde hersenstructuur en een andere die beslissingsbomen opbouwt, om de relatie tussen de fysieke vorm van de antenne en de prestaties ervan te leren. Deze algoritmen leerden te voorspellen hoe de antenne zou reageren zonder telkens een volledige, trage simulatie te hoeven draaien. De studie wees uit dat het boomgebaseerde algoritme bijzonder nauwkeurig was en de werking van de antenne met een hoge mate van vertrouwen voorspelde. Dit stelde de onderzoekers in staat om snel de optimale afmetingen voor het definitieve ontwerp te identificeren.

De uiteindelijke, geoptimaliseerde antenne presteerde uitzonderlijk goed in zowel computermodellen als fysieke tests. Hij werkt effectief over een frequentiebereik van 4,7 tot 5,25 GHz, wat het essentiële sub-6 GHz 5G-spectrum dekt. Binnen dit bereik zet de antenne lineaire signalen succesvol om in circulaire signalen, waarbij een stabiele, draaiende golf wordt behouden van 4,9 tot 5,18 GHz. Cruciaal is dat de twee poorten van de antenne bijna volledig onafhankelijk van elkaar bleven, met interferentieniveaus die onder de min 40 decibel zakten, een cijfer dat wijst op een zeer zuivere scheiding van signalen. Het apparaat bereikte ook een piekversterking van 9,5 decibel, wat betekent dat het het signaal sterk in de gewenste richting focust. Toen de onderzoekers een fysiek prototype bouwden en testten met een vector netwerk analyzer, kwamen de metingen in de echte wereld nauw overeen met de computervoorspellingen, wat bevestigde dat het ontwerp werkt zoals bedoeld.

Dit werk demonstreert dat het combineren van geavanceerde antennefysica met machine learning compacte, hoogwaardige oplossingen kan produceren voor de volgende generatie draadloze systemen. Door kunstmatige intelligentie te gebruiken om door de complexe afwegingen tussen grootte, bandbreedte en signaalzuiverheid te navigeren, hebben de onderzoekers een apparaat gecreëerd dat zowel krachtig als efficiënt is. Het vermogen van de antenne om een sterke isolatie tussen de poorten te behouden terwijl er een hoge versterking wordt geleverd, maakt het een sterke kandidaat voor toekomstige 5G-toepassingen, waar betrouwbare, snelle gegevensoverdracht cruciaal is. De studie bevestigt dat machine learning niet alleen een theoretisch hulpmiddel is, maar een praktische methode om het ontwerp van complexe elektronische componenten te versnellen, waardoor wat ooit een traag, iteratief proces was, is veranderd in een gestroomlijnd pad naar innovatie.