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

Resumo Técnico: Validação Experimental e de Aprendizado de Máquina de uma Antena de Feixe Comutável de Elemento Único Modificada de 2,6 GHz

Definição do Problema
No contexto das comunicações sem fio 5G sub-6 GHz, há uma necessidade crítica de antenas compactas, de baixo custo e alto desempenho que possam controlar a direcionalidade da radiação para minimizar a interferência de sinal. Embora as antenas de microfita de elemento único ofereçam vantagens em tamanho e integração, elas tipicamente carecem de capacidades inerentes de direcionamento de feixe (beam-steering). As soluções tradicionais de feixe comutável frequentemente dependem de arrays de fase de múltiplos elementos complexos ou estruturas controladas por diodos que aumentam o consumo de energia, o custo e a complexidade física. Além disso, o design convencional de antenas depende fortemente de simulações eletromagnéticas (EM) de onda completa computacionalmente caras e demoradas. Embora o Aprendizado de Máquina (ML) tenha mostrado promessa na previsão do desempenho de antenas, estudos anteriores focaram frequentemente apenas na previsão baseada em simulação, sem uma validação experimental abrangente, particularmente para designs de feixe comutável de elemento único.

Metodologia
Os autores propõem um framework de design e validação para uma antena microstrip circular de elemento único operando a 2,6 GHz. A metodologia é dividida em três fases primárias:

1. Design e Simulação da Antena:

   • Estrutura: A antena é fabricada em um substrato FR-4 ($\epsilon_r = 4,4$, espessura = 1,6 mm). Ela apresenta um patch circular modificado com 56 furos distribuídos ao longo de seu perímetro.
   • Mecanismo de Comutação de Feixe: O direcionamento do feixe é alcançado através do curto-circuito seletivo de grupos específicos de furos ao longo da borda do patch usando fios de cobre, capacitores e diodos PIN controlados por um microcontrolador. Ao abrir circuitos específicos e curto-circuitar outros, o feixe principal é direcionado para oito direções angulares distintas (0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°).
   • Geração de Dados: 150 conjuntos de dados foram gerados usando o CST Studio Suite. 140 amostras (112 para treinamento, 28 para teste) foram usadas para o desenvolvimento do modelo de ML, enquanto 10 amostras independentes serviram como um conjunto de validação. Os parâmetros de entrada incluíram direção do curto-circuito, distância radial, número de furos de curto-circuito e espaçamento entre os furos. As saídas foram a direção do feixe principal e o coeficiente de reflexão (perda de retorno).

2. Modelagem de Aprendizado de Máquina (ML):

   • Quatro algoritmos baseados em regressão foram implementados usando Python: Gradient Boosting Regression (GBR), Lasso Regression (LR-Lasso), Linear Regression (LR) e Random Forest (RF).
   • Os modelos foram treinados para prever a direção do feixe e a perda de retorno com base nos parâmetros geométricos de entrada. O desempenho foi avaliado utilizando o coeficiente de determinação ($R^2$) e o Erro Médio Absoluto (MAE).

3. Validação Experimental:

   • Um protótipo físico foi fabricado com base nos parâmetros previstos pelo ML. O protótipo utilizou fios de curto-circuito de cobre e diodos PIN controlados por um microcontrolador para alternar entre os oito estados de feixe.
   • As medições foram conduzidas a 2,6 GHz para verificar a perda de retorno e os padrões de radiação, comparando os resultados experimentais com as simulações do CST e as previsões de ML.

Principais Contribuições

• Design de Feixe Comutável de Elemento Único: O artigo apresenta um design de antena de elemento único compacto, capaz de comutação de feixe em oito direções sem a necessidade de arrays de fase complexos, utilizando um mecanismo de controle de curto-circuito ao longo da borda do patch.
• Otimização de Design Assistida por ML: O estudo demonstra a aplicação de ML para prever tanto a direção do feixe quanto a perda de retorno, reduzindo significativamente a dependência de simulações EM iterativas.
• Verificação Experimental Abrangente: Diferente de trabalhos anteriores que focaram primordialmente em simulação, esta pesquisa inclui a fabricação e medição de um protótipo físico, validando as previsões de ML contra o desempenho no mundo real.
• Comparação de Algoritmos: O trabalho compara sistematicamente quatro algoritmos de ML, identificando o Random Forest como o modelo mais eficaz para esta aplicação específica.

Resultos

• Desempenho de ML:
  • Direção do Feixe: O modelo Random Forest (RF) alcançou precisão de previsão perfeita com um $R^2$ de 1,0 e um MAE de 0. A Regressão Linear e a Lasso Regression também alcançaram pontuações perfeitas, indicando uma forte relação linear entre a geometria do curto-circuito e a direção do feixe.
  • Perda de Retorno: O modelo RF demonstrou o desempenho mais equilibrado para a previsão de perda de retorno, alcançando um $R^2$ de 0,805 e o menor MAE de 0,21. Embora o GBR tenha alcançado um $R^2$ mais alto (0,898), ele exibiu um MAE maior (0,520).
• Resultados Experimentais:
  • A antena fabricada conseguiu alternar os feixes em todas as oito direções alvo a 2,6 GHz.
  • Os valores medidos de perda de retorno variaram de 12,26 dB a 15,34 dB, com uma média de 14,25 dB, confirmando um casamento de impedância estável.
  • As medições do padrão de radiação alinharam-se geralmente com as simulações. No entanto, desvios específicos foram observados: o Caso 4 deslocou-se de 135° (simulado) para 165° (medido), o Caso 5 de 180° para 200°, e o Caso 8 de 315° para 300°. O desvio máximo foi de 30°.
  • Os autores atribuem esses desvios a fatores de implementação prática não totalmente capturados na simulação, tais como a impedância parasitária dos diodos PIN, circuitos de polarização, juntas de solda e fios de conexão.

Significância e Alegações
O artigo afirma que o algoritmo Random Forest melhora efetivamente a precisão do design da antena e reduz o tempo de simulação, mantendo uma forte concordância com os resultados experimentais. O estudo demonstra que uma antena de elemento único pode fornecer cobertura direcional confiável em setores angulares discretos adequados para sistemas compactos 5G sub-6 GHz.

Os autores concluem modestamente que, embora a abordagem de design assistida por ML seja eficaz, os desvios de feixe observados destacam os desafios de traduzir modelos de simulação para protótipos físicos devido aos efeitos parasitários. Eles afirmam que o design proposto contribui para uma infraestrutura sem fio sustentável e energeticamente eficiente ao combinar uma geometria de antena compacta com otimização inteligente. O artigo não pretende resolver todos os desafios de direcionamento de feixe, mas posiciona este trabalho como uma prova de conceito validada para a integração de ML no design de antenas de feixe comutável de elemento único. Sugere-se que trabalhos futuros explorem modelos avançados de aprendizado profundo e expandam o tamanho do conjunto de dados para melhorar ainda mais a precisão da previsão para parâmetros complexos como a perda de retorno.