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

O mundo da comunicação sem fio está em uma corrida constante em direção a velocidades maiores e maior capacidade de dados. Para acompanhar as demandas da tecnologia futura, os cientistas estão olhando além das ondas de rádio que usamos hoje e para o espectro terahertz. Esta região do espectro eletromagnético situa-se entre as micro-ondas e a luz, oferecendo o potencial para taxas de transferência de dados que são atualmente inimagináveis. No entanto, dominar essas frequências é difícil. Sinais neste nível tendem a desaparecer rapidamente e ser absorvidos pelo ar, exigindo equipamentos especializados para enviá-los e recebê-los de forma eficaz. A chave para desbloquear este potencial reside no projeto de antenas minúsculas e eficientes que possam operar neste regime de alta frequência sem perder potência ou clareza.

Nesta busca, os pesquisadores voltaram-se para uma combinação de materiais avançados e computação inteligente. Um material promissor é o grafeno, uma única camada de átomos de carbono que é incrivelmente fina e condutiva, que pode ser ajustada para mudar como uma antena se comporta. Outra abordagem envolve o uso de silício, um material comum em eletrônicos, moldado em formas específicas para guiar ondas de maneira eficiente. O desafio, contudo, é que projetar estas antenas é um processo lento e complexo. As simulações computacionais tradicionais, que atuam como túneis de vento virtuais para testar como as ondas interagem com estruturas metálicas e dielétricas, levam muito tempo para serem executadas. Para acelerar as coisas, uma equipe de pesquisadores de várias instituições indianas desenvolveu um novo método que combina estes designs físicos com aprendizado de máquina, uma forma de inteligência artificial que aprende com dados para fazer previsões.

Os pesquisadores propuseram-se a construir uma antena de duas portas, essencialmente um dispositivo com dois pontos de conexão separados, utilizando uma base de silício revestida com uma fina camada de grafeno. Eles projetaram a antena para operar dentro de uma faixa de frequências ampla e específica, aproximadamente entre 2,35 e 3,8 terahertz. Para tornar o dispositivo ainda mais útil, eles precisavam criar um "notch", ou um entalhe, ou uma lacuna deliberada em seu desempenho. Esta lacuna bloquearia uma faixa específica de frequências entre 2,75 e 3,15 terahertz, evitando interferências de outros sinais que possam estar operando nessa mesma banda. Eles alcançaram isso adicionando anéis metálicos circulares e uma linha impressa na superfície da antena. Além disso, para garantir que as duas portas não interferissem uma na outra, incorporaram um padrão especial na camada de terra, conhecido como estrutura de terra defeituosa (defected ground structure), que atua como uma barreira para manter os sinais separados.

Para entender como este design funcionava, a equipe utilizou softwares de computador poderosos para simular o comportamento das ondas eletromagnéticas. Estas simulações revelaram que a haste dielétrica de silício, moldada com uma fenda de anel modificada, era responsável pela ampla faixa de operação. As simulações mostraram que a antena criou com sucesso duas bandas distintas de operação: uma de 2,2 a 2,65 terahertz e outra de 3,3 a 3,7 terahertz. Os anéis circulares e a linha impressa bloquearam efetivamente as frequências indesejadas no meio, enquanto a estrutura de terra defeituosa manteve o acoplamento entre as duas portas extremamente baixo, reduzindo-o para menos de -25 decibéis. Este baixo nível de interferência é crucial para que um dispositivo funcione como um sistema multiporta confiável. O revestimento de grafeno adicionou uma camada de flexibilidade, permitindo que a frequência da antena fosse sintonizada ao ajustar seu potencial elétrico, de forma muito semelhante a girar um botão para mudar de estação.

Reconhecendo que executar estas simulações complexas para cada possível variação de design levaria muito tempo, os pesquisadores introduziram um framework de aprendizado de máquina para prever o desempenho da antena. Eles geraram um conjunto massivo de dados alterando ligeiramente as dimensões das partes da antena no software de simulação, criando mais de 125.000 pontos de dados únicos. Em seguida, treinaram dois tipos diferentes de modelos de aprendizado de máquina com esses dados: uma rede neural profunda, que imita as camadas do cérebro humano, e uma floresta aleatória (random forest), que utiliza uma coleção de árvores de decisão. O objetivo era ver se estes modelos poderiam prever com precisão o desempenho da antena, especificamente sua capacidade de refletir sinais, sem a necessidade de executar a simulação completa e demorada a cada vez.

Os resultados deste experimento computacional foram encorajadores. Ambos os modelos de aprendizado de máquina provaram ser capazes de prever o comportamento da antena com alta precisão, alcançando taxas de sucesso bem acima de 80 por cento. A rede neural profunda forneceu previsões ligeiramente mais precisas do que o modelo de floresta aleatória, estimando corretamente o desempenho através do espectro de frequência. Quando os pesquisadores compararam as previsões de aprendizado de máquina com os resultados das simulações reais, os números coincidiram de perto, confirmando que a inteligência artificial havia aprendido a física subjacente do design. Isso sugere que, no futuro, os engenheiros poderão usar estes modelos para projetar e otimizar antenas em uma fração do tempo que levam atualmente, simplesmente deixando o computador aprender a partir de exemplos anteriores.

A verificação final do design veio da verificação cruzada dos resultados com diferentes ferramentas de simulação, o que confirmou que a antena mantinha padrões de radiação estáveis e alta eficiência. O dispositivo apresentou um ganho, ou capacidade de focar energia, de cerca de 3,5 a 4,5 decibéis, o que é um desempenho forte para este tipo de aplicação. Os pesquisadores também verificaram os parâmetros de diversidade, que medem quão bem as duas portas trabalham juntas em um ambiente de desvanecimento, e descobriram que os sinais permaneceram não correlacionados e eficazes. Ao combinar um design físico inovador usando silício e grafeno com um sistema de previsão inteligente de aprendizado de máquina, a equipe criou um blueprint para uma antena de alta velocidade que poderá um dia suportar as velocidades de dados de terabits por segundo exigidas pela próxima geração de comunicação sem fio.