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

De wereld van draadloze communicatie is constant in een race naar hogere snelheden en grotere datacapaciteit. Om de eisen van toekomstige technologie bij te houden, kijken wetenschappers verder dan de radiogolven die we vandaag de dag gebruiken en richten zij zich op het terahertz-spectrum. Dit gebied in het elektromagnetische spectrum bevindt zich tussen microgolven en licht, en biedt het potentieel voor datatransfersnelheden die momenteel onvoorstelbaar zijn. Het beheersen van deze frequenties is echter moeilijk. Signalen op dit niveau hebben de neiging om snel te vervagen en worden geabsorbeerd door de lucht, wat gespecialiseerde apparatuur vereist om ze effectief te verzenden en te ontvangen. De sleutel tot het ontsluiten van dit potentieel ligt in het ontwerpen van minuscule, efficiënte antennes die in dit hoogfrequente regime kunnen werken zonder energie of helderheid te verliezen.

In dit streven hebben onderzoekers zich gericht op een combinatie van geavanceerde materialen en slimme computertechnologie. Een veelbelovend materiaal is grafeen, een enkele laag koolstofatomen die ongelooflijk dun en geleidend is, wat kan worden afgestemd om de werking van een antenne te veranderen. Een andere aanpak is het gebruik van silicium, een veelvoorkomend materiaal in de elektronica, dat in specifieke vormen wordt gegoten om golven efficiënt te geleiden. De uitdaging is echter dat het ontwerpen van deze antennes een traag en complex proces is. Traditionele computersimulaties, die fungeren als virtuele windtunnels om te testen hoe golven interageren met metalen en diëlektrische structuren, hebben een lange tijd nodig om te draaien. Om dit te versnellen, heeft een team van onderzoekers van verschillende Indiase instellingen een nieuwe methode ontwikkend die deze fysieke ontwerpen combineert met machine learning, een vorm van kunstmatige intelligentie die leert van data om voorspellingen te doen.

De onderzoekers zetten zich in om een twee-poorts antenne te bouwen, in essentie een apparaat met twee aparte verbindingspunten, gebruikmakend van een siliciumbasis bedekt met een dunne laag grafeen. Ze ontwierpen de antenne om te werken binnen een specifiek breed bereik van frequenties, ruwweg tussen 2,35 en 3,8 terahertz. Om het apparaat nog nuttiger te maken, moesten ze een "notch", of een bewuste onderbreking, in de prestaties creëren. Deze onderbreking zou een specifiek frequentiebereik tussen 2,75 en 3,15 terahertz blokkeren, om interferentie van andere signalen die mogelijk in diezelfde band opereren te voorkomen. Ze bereikten dit door cirkelvormige metalen ringen en een geprinte lijn op het oppervlak van de antenne toe te voegen. Bovendien, om ervoor te zorgen dat de twee poorten niet met elkaar interfereren, voegden ze een speciaal patroon toe aan de grondlaag, bekend als een defected ground structure, die fungeert als een barrière om de signalen gescheiden te houden.

Om te begrijpen hoe dit ontwerp werkte, gebruikte het team krachtige computersoftware om het gedrag van elektromagnetische golven te simuleren. Deze simulaties onthulden dat de silicium diëlektrische staaf, gevormd met een aangepaste ringgleuf, verantwoordelijk was voor het brede werkbereik. De simulaties toonden aan dat de antenne succesvol twee afzonderlijke operationele banden creëerde: één van 2,2 tot 2,65 terahertz en een andere van 3,3 tot 3,7 terahertz. De cirkelvormige ringen en de geprinte lijn blokkeerden effectief de ongewenste frequenties in het midden, terwijl de defected ground structure de koppeling tussen de twee poorten extreem laag hield, onder de -25 decibel. Dit lage niveau van interferentie is cruciaal voor een apparaat om als een betrouwbaar multi-poorts systeem te functioneren. De grafeenlaag voegde een laag flexibiliteit toe, waardoor de frequentie van de antenne kan worden afgestemd door het elektrische potentieel aan te passen, vergelijkbaar met het draaien aan een knop om van zender te wisselen.

In het besef dat het draaien van deze complexe simulaties voor elke mogelijke ontwerpvariatie te lang zou duren, introduceerden de onderzoekers een machine learning-framework om de prestaties van de antenne te voorspellen. Ze genereerden een enorme dataset door de afmetingen van de onderdelen van de antenne in de simulatiesoftware licht te variëren, waarbij meer dan 125.000 unieke datapunten werden gecreëerd. Vervolgens trainden ze twee verschillende soorten machine learning-modellen op deze data: een deep neural network, dat de lagen van het menselijk brein nabootst, en een random forest, die gebruikmaakt van een verzameling beslissingsbomen. Het doel was om te zien of deze modellen accuraat konden voorspellen hoe de antenne zou presteren, specifiek het vermogen om signalen te reflecteren, zonder telkens de volledige, tijdrovende simulatie te hoeven draaien.

De resultaten van dit computationele experiment waren bemoedigend. Beide machine learning-modellen waren in staat om het gedrag van de antenne met een hoge nauwkeurigheid te voorspellen, met succespercentages ruim boven de 80 procent. Het deep neural network bood iets nauwkeurigere voorspellingen dan het random forest-model, waarbij het de prestaties over het frequentiespectrum correct inschatte. Wanneer de onderzoekers de machine learning-voorspellingen vergeleken met de werkelijke simulatiegegevens, kwamen de cijfers nauw overeen, wat bevestigde dat de kunstmatige intelligentie de onderliggende fysica van het ontwerp had geleerd. Dit suggereert dat ingenieurs in de toekomst deze modellen kunnen gebruiken om antennes te ontwerpen en te optimaliseren in een fractie van de tijd die het nu kost, simpelweg door de computer te laten leren van eerdere voorbeelden.

De definitieve verificatie van het ontwerp kwam voort uit het kruiscontroleren van de resultaten met verschillende simulatietools, wat bevestigde dat de antenne stabiele stralingspatronen en een hoge efficiëntie behield. Het apparaat vertoonde een gain, of het vermogen om energie te focussen, van ongeveer 3,5 tot 4,5 decibel, wat een sterke prestatie is voor dit type toepassing. De onderzoekers controleerden ook de diversiteitsparameters, die meten hoe goed de twee poorten samenwerken in een omgeving met fading, en vonden dat de signalen ongecorreleerd en effectief bleven. Door een nieuw fysiek ontwerp met silicium en grafeen te combineren met een slim machine learning-voorspellingssysteem, heeft het team een blauwdruk gecreëerd voor een hogesnelheidsantenne die ooit de terabit-per-seconde datasnelheden kan ondersteunen die vereist zijn voor de volgende generatie draadloze communicatie.