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

Technische Samenvatting: Experimentele en Machine Learning-validatie van een gemodificeerde 2,6 GHz single-element switched-beam antenne

Probleemstelling
In de context van 5G sub-6 GHz draadloze communicatie is er een kritieke behoefte aan compacte, kosteneffectieve en hoogwaardige antennes die de stralingsrichting kunnen controleren om signaalinterferentie te minimaleren. Hoewel single-element microstrip-antennes voordelen bieden wat betreft grootte en integratie, missen zij doorgaans inherente beam-steering mogelijkheden. Traditionele switched-beam oplossingen vertrouwen vaak op complexe multi-element phased arrays of diode-gestuurde structuren die het stroomverbruik, de kosten en de fysieke complexiteit verhogen. Bovendien leunt conventioneel antenteontwerp zwaar op computationeel veeleisende en tijdrovende full-wave elektromagnetische (EM) simulaties. Hoewel Machine Learning (ML) veelbelovend is gebleken voor het voorspellen van antenneprestaties, richtden eerdere studies zich vaak uitsluitend op simulatiegebaseerde voorspelling zonder uitgebreide experimentele validatie, met name voor single-element switched-beam ontwerpen.

Methodologie
De auteurs stellen een ontwerp- en validatiekader voor een single-element circulaire microstrip-antenne werkend op 2,6 GHz voor. De methodologie is verdeeld in drie primaire fasen:

1. Antenneontwerp en Simulatie:

   • Structuur: De antenne is gefabriceerd op een FR-4 substraat ($\epsilon_r = 4,4$, dikte = 1,6 mm). Het bevat een gemodificeerde circulaire patch met 56 gaten verdeeld langs de periferie.
   • Beam Switching Mechanisme: Beam steering wordt bereikt door specifieke groepen gaten langs de rand van de patch selectief kort te sluiten met behulp van koperdraden, condensatoren en PIN-diodes die worden aangestuurd door een microcontroller. Door specifieke circuits te openen en andere kort te sluiten, kan de hoofdstraal (main beam) worden gestuurd naar acht verschillende hoekrichtingen (0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°).
   • Datageneratie: Er zijn 150 datasets gegenereerd met CST Studio Suite. 140 samples (112 voor training, 28 voor test) werden gebruikt voor de ontwikkeling van het ML-model, terwijl 10 onafhankelijke samples dienden als validatieset. De inputparameters omvatten de richting van de kortsluiting, radiale afstand, aantal kortgesloten gaten en de tussenruimte tussen de gaten. De output was de richting van de hoofdstraal en de reflectiecoëfficiënt (return loss).

2. Machine Learning Modellering:

   • Vier regressie-gebaseerde algoritmen werden geïmplementeerd met behulp van Python: Gradient Boosting Regression (GBR), Lasso Regression (LR-Lasso), Linear Regression (LR) en Random Forest (RF).
   • De modellen werden getraind om de straalrichting en de return loss te voorspellen op basis van de geometrische inputparameters. De prestaties werden geëvalueerd met behulp van de determinatiecoëfficiënt ($R^2$) en de Mean Absolute Error (MAE).

3. Experimentele Validatie:

   • Een fysiek prototype werd gefabriceerd op basis van de door ML voorspelde parameters. Het prototype maakte gebruik van koperen kortsluitdraden en PIN-diodes die door een microcontroller worden aangestuurd om tussen de acht beam-toestanden te schakelen.
   • Metingen werden uitgevoerd op 2,6 GHz om de return loss en stralingspatronen te verifiëren, waarbij de experimentele resultaten werden vergeleken met zowel de CST-simulaties als de ML-voorspellingen.

Belangrijkste Bijdragen

• Single-Element Switched-Beam Ontwerp: Het artikel presenteert een compact single-element ontwerp dat in staat is tot acht-richting beam switching zonder de noodzaak van complexe phased arrays, gebruikmakend van een kortsluitingscontrolemechanisme langs de rand van de patch.
• ML-ondersteunde Ontwerpoptimalisatie: De studie demonstreert de toepassing van ML om zowel de straalrichting als de return loss te voorspellen, wat de afhankelijkheid van iteratieve EM-simulaties aanzienlijk vermindert.
• Uitgebreide Experimentele Verificatie: In tegen tegenstelling tot eerdere werken die primair gericht waren op simulatie, bevat dit onderzoek de fabricage en meting van een fysiek prototype, waarmee de ML-voorspellingen worden gevalideerd tegen de real-world prestaties.
• Algoritme Vergelijking: Het werk vergelijkt systematisch vier ML-algoritmen en identificeert Random Forest als het meest effectieve model voor deze specifieke toepassing.

Resultaten

• ML Prestaties:
  • Straalrichting: Het Random Forest (RF) model behaalde een perfecte voorspellingsnauwkeurigheid met een $R^2$ van 1,0 en een MAE van 0. Linear Regression en Lasso Regression behaalden ook perfecte scores, wat wijst op een sterke lineaire relatie tussen de kortsluitgeometrie en de straalrichting.
  • Return Loss: Het RF-model vertoonde de meest gebalanceerde prestatie voor de voorspelling van de return loss, met een $R^2$ van 0,805 en de laagste MAE van 0,21. Hoewel GBR een hogere $R^2$ behaalde (0,898), vertoonde het een grotere MAE (0,520).
• Experimentele Uitkomsten:
  • De gefabriceerde antenne slaagde erin om te schakelen tussen alle acht de doelrichtingen bij 2,6 GHz.
  • De gemeten return loss-waarden varieerden van 12,26 dB tot 15,34 dB, met een gemiddelde van 14,25 dB, wat een stabiele impedantie-aanpassing bevestigt.
  • De metingen van het stralingspatroon stemden over het algemeen overeen met de simulaties. Er werden echter specifieke afwijkingen waargenomen: Case 4 verschoof van 135° (gesimuleerd) naar 165° (gemeten), Case 5 van 180° naar 200°, en Case 8 van 315° naar 300°. De maximale afwijking was 30°.
  • De auteurs schrijven deze afwijkingen toe aan praktische implementatiefactoren die niet volledig in de simulatie zijn opgenomen, zoals de parasitaire impedantie van PIN-diodes, bias-circuits, soldeerverbindingen en verbindingsdraden.

Significantie en Claims
Het artikel beweert dat het Random Forest-algoritme de nauwkeurigheid van het antenteontwerp effectief verbetert en de simulatietijd vermindert, terwijl er een sterke overeenstemming blijft met de experimentele resultaten. De studie toont aan dat een single-element antenne betrouwbare directionele dekking kan bieden over discrete hoeksectoren die geschikt zijn voor compacte 5G sub-6 GHz systemen.

De auteurs concluderen bescheiden dat hoewel de ML-ondersteunde ontwerpaanpak effectief is, de geobserveerde afwijkingen in de straalrichting de uitdagingen benadrukken bij het vertalen van simulatiemodellen naar fysieke prototypes vanwege parasitaire effecten. Zij stellen dat het voorgestelde ontwerp bijdraagt aan duurzame en energiezuinige draadloze infrastructuur door compacte antennegeometrie te combineren met intelligente optimalisatie. Het artikel claimt niet alle beam-steering uitdagingen op te lossen, maar positioneert dit werk als een gevalideerd bewijs van concept voor de integratie van ML in het ontwerp van single-element switched-beam antennes. Toekomstig werk wordt gesuggereerd om geavanceerde deep learning-modellen te verkennen en de dataset omvang te vergroten om de voorspellingsnauwkeurigheid voor complexe parameters zoals return loss verder te verbeteren.