⚡ electrical engineering

Machine Learning Assisted Inverse Design of Pixelated mmWave Patch Antennas

本文提出了一种用于 22–30 GHz 频段像素化毫米波贴片天线逆向设计的机器学习辅助框架，该框架利用 XGBoost 分类器过滤非共振模式，采用混合 CNN-BiLSTM 代理模型进行精确的 S11 预测，并使用潜在空间优化方法自动生成符合预期指标的天线结构。

原作者： Nadeem Rather, Holger Claussen, Lester Ho

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nadeem Rather, Holger Claussen, Lester Ho

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

现代无线网络正向着被称为毫米波频段的部分进军。这一频率范围位于每秒 220 亿至 300 亿个周期之间，提供了下一代通信所需的高速性能，但其工作难度极高。在这些速度下，用于发送和接收信号的微型天线必须经过精确设计，以在正确的频率上产生共振或振动。如果形状哪怕只有轻微偏差，信号就会无法连接。传统上，工程师使用矩形或圆形等标准形状来设计这些天线，但这些固定形式限制了可能性。它们限制了针对特定需求对天线进行精细调节的能力，使得广阔的潜在形状领域仍处于未被探索的状态。

挑战在于极其庞大的可能性数量。如果一个人将天线的表面分解成一个由微小方块组成的网格，并决定每个方块是金属还是空白，那么可能的组合数量将变得天文数字般巨大。使用计算机模拟测试每一个组合将耗时数年，因为每次模拟都需要数分钟的计算时间来求解复杂的物理方程。此外，大多数随机的金属方块图案并不能奏效；它们会产生无法传输电流信号的破碎金属岛屿，从而导致设计失效。这创造了一个“大海捞针”的问题，使得寻找有效的设计既低效又缓慢。

爱尔兰泰达尔国家研究所（Tyndall National Institute）的一个研究小组开发了一种利用机器学习来应对这种复杂性的新方法。他们没有尝试去猜测正确的形状或测试每一种可能性，而是构建了一个能够通过经验自动设计天线的系统。他们的方法描述于最近的一项研究中，重点关注 22 到 30 吉赫兹（GHz）范围，这是 5G 和未来无线技术的关键频段。研究人员创建了一个由 437 个微小像素方块组成的天线表面数字模型。其中一些像素是金属，另一些是空白，但金属必须形成一条从电源到天线边缘的连续路径才能正常工作。

为了训练他们的系统，研究人员首先生成了大约 6,000 个随机像素图案，并将其通过高保真物理模拟器进行测试。结果显示：大约只有 40% 的随机设计能够奏效，即它们能在目标频率上产生共振。另外 60% 是失败的设计，它们形成了无法工作的破碎结构，这意味着数据集严重偏向于无用的形状。为了解决这个问题，团队训练了一个计算机程序来充当过滤器。该程序学会了在运行昂贵的模拟之前，先观察一个新的、未经测试的图案，并预测它是否有效。通过使用这个过滤器来筛选出有潜力的图案，他们成功额外生成了 4,000 个成功的方案，使训练数据中有效天线的比例提升到了超过一半。

在拥有了这批改进后的有效示例后，研究人员训练了第二个更先进的计算机模型。这个模型充当了一个“快进式模拟器”。它不再运行缓慢且沉重的物理计算，而是通过观察金属像素的图案，瞬间预测天线在整个频率范围内的表现。它不仅学习信号的总体形状，还学习指示良好连接的特定波峰和波谷。至关重要的是，该模型被教导要特别关注信号共振的深度和位置，以确保它能准确预测有效天线的最重要特征。

最后一步是逆转过程。通常，工程师从一个形状开始，然后询问：“这个形状会有什么作用？”而研究人员想要从一个目标开始，例如“我需要一个在 25 GHz 下工作的天线”，然后要求计算机找到实现该目标的形状。为了做到这一点，他们使用了一种数学技术，将复杂的天线形状压缩到一个更简单的、隐藏的数字空间中。在这个压缩空间内，计算机可以使用标准的优化方法来搜索完美的形状。它调整隐藏的数字，使用“快进式模拟器”检查结果与目标频率是否匹配，并重复此过程数千次。为了确保结果在物理上是可行的，系统包含了一条规则，强制要求金属像素保持连接，从而防止产生破碎、无法工作的设计。

自动化设计过程的结果令人印象深刻。团队要求系统创建四个不同的天线，每个天线都针对 22 到 30 GHz 频段内的不同频率。计算机为每个请求生成了独特的、复杂的像素图案。当这些数字设计再次接受慢速、高精度物理模拟器的测试时，它们完全符合预测。在四个案例中的三个，预测频率与实际模拟频率之间的差异小于 0.2 GHz，且信号强度与预测值几乎一致。即使是在差异最大的那个案例中，天线仍然满足在目标频段内工作的要求。

这项工作证明了机器学习可以有效地架起抽象数学目标与物理硬件设计之间的桥梁。通过在早期阶段过滤掉糟糕的想法并快速学习预测性能，该系统可以探索人类手动操作无法驾驭的设计空间。研究人员指出，虽然这些设计已在模拟中获得成功，但下一步是制造物理原型并在现实世界中进行测试，以观察它们在计算机之外的表现。如果成功，这种方法可以允许工程师根据任何特定需求自动创建定制天线，并通过重新配置天线来实时适应不断变化的无线网络状况，而无需进行人工重新设计。

技术摘要：基于机器学习辅助的像素化毫米波微带贴片天线逆向设计

问题陈述
5G 网络的部署增加了对紧凑、可靠的毫米波（mmWave）天线的需求。虽然传统的微带贴片天线被广泛使用，但其固定的几何形状（如矩形、圆形等）限制了对能够提供更优阻抗匹配或带宽的替代拓扑结构的探索。像素化天线将辐射表面离散化为二进制导电/非导电单元的网格，提供了广阔的设计空间。然而，这种方法将天线合成转变为一个高维组合优化问题（对于 300 个像素的网格，存在 $2^{300}$ 种可能的布局）。评估这些布局需要进行全波电磁（EM）仿真（例如 CST Microwave Studio），这在计算上非常昂贵。此外，随机生成的像素图案很少能产生功能性天线，导致数据集高度不平衡，即大多数样本是非谐振的，这使得高效的代理模型训练变得困难。

方法论
作者提出了一个由三个集成阶段组成的一体化机器学习（ML）框架：

分类器引导的数据集增强：
- 初始数据： 使用“结构化随机”策略生成了一个包含约 6,000 个像素图案的初始数据集。该方法从七个预定义的形状族（例如矩形块、分裂环）中提取，以确保拓扑多样性，同时强制执行约束条件：至少有 20 个活跃像素，且具有与馈电点连续路径的单一连通金属区域。
- 不平衡问题： 在 22–30 GHz 波段内，仅约 40% 的初始图案实现了谐振（ $|S_{11}| \leq -10$ dB）。
- 过滤： 在仿真之前，训练了一个 XGBoost 二分类器来区分谐振与非谐振图案。该分类器用于筛选新的随机图案池，仅选择被预测为谐振的图案进行全波仿真。
- 增强： 这一过程增加了 4,000 个高质量样本，将合并后的 10,000 个样本数据集中谐振设计的比例从 40% 提高到了 52%。
正向代理建模（CNN–BiLSTM）：
- 架构： 该混合深度学习模型将 $19 \times 23$ $19 \times 23$ 的二进制像素网格映射到 801 个频率点（22–30 GHz）的复数 $S_{11}$ $S_{11}$ 响应。
  - 空间编码器： 三个带有残差连接的 Conv2D 模块用于提取几何特征。
  - 频率投影： 线性层将特征重塑为序列。
  - 时序建模： 两层双向 LSTM（BiLSTM）对频率间的相关性进行建模。
    aka
- 损失函数： 采用了一种物理引导的复合损失函数，以强调谐振精度：
  $L = \lambda_1 L_{Re/Im} + \lambda_2 L_{dB} + \lambda_3 L_{depth} + \lambda_4 L_{freq} + \lambda_5 L_{slope}$
  该损失包括复数 $S_{11}$ 的 MSE、幅度（Huber 损失）、谐振深度、谐振频率（通过 soft-argmin 实现）以及频谱平滑度。
- 训练： 模型在增强后的数据集上进行训练，并采用加权采样来处理剩余的类别不平衡问题，并使用数据增强（翻转）。
潜空间逆向设计：
- 降维： 训练一个卷积自编码器（AE），将 $19 \times 23$ 的二进制图案压缩到 64 维的潜空间中。这使得搜索过程被约束在物理有效的、连通的几何流形内。
- 优化： 逆向设计问题被表述为在 64 维潜空间内的梯度下降。目标是最小化代理模型预测的 $S_{11}$ 与目标规范之间的差异。
- 约束： 连通性投影算子确保生成的二进制图案保持与馈电点的连续电路径。直通估计器（straight-through estimator）允许梯度通过离散二值化步骤进行传播。
- 鲁棒性： 优化过程采用了 $K=4$ 的 Dropout 集成代理模型和循环频率偏移，以降低对模型偏差的敏感性。

关键结果

数据集效率： XGBoost 预过滤成功地将训练集中谐振设计的密度从 40% 提高到 52%，验证了分类器引导增强的实用性。
代理模型精度： CNN–BiLSTM 正向模型在测试集上的平均绝对误差（MAE）为 1.548 dB，均方根误差（RMSE）为 2.735 dB。对于谐振样本，预测谐振频率的平均误差为 0.724 GHz。
逆向设计验证： 生成了四个针对 22–30 GHz 内不同频率的目标天线设计（分别为 22–23 GHz、25 GHz、26.5–27.5 GHz 和 27–28 GHz）。
- 所有四个设计在 CST 中进行仿真时，均在其目标频段内实现了 $|S_{11}| \leq -10$ dB。
- 代理模型预测与 CST 仿真之间的频率误差在 0.18 GHz 到 0.76 GHz 之间。
- 四个设计中有三个设计的深度误差（ $\Delta|S_{11}|$ ）低于 1.5 dB，这与模型的测试集表现一致。

意义与主张
本文声称提出了一种全新的、全自动的像素化毫米波贴片天线逆向设计流水线。其主要意义在于通过分类器引导的数据集增强，解决了像素化天线设计中固有的数据低效问题，从而降低了生成高质量训练数据的计算成本。此外，通过集成物理感知复合损失函数和潜空间优化策略，该方法能够生成符合特定 $S_{11}$ 规范的、可制造的、连通的天线几何结构，而无需在设计阶段进行详尽的全波仿真。作者断言，该方法展示了自动设计和重新配置 5G 毫米波频谱下天线结构的各种可能性。

未来工作
作者提出了三个未来的研究方向：

对逆向设计的原型进行制造与测量，以量化仿真与硬件之间的差距。
扩展该框架，将辐射方向图、增益和效率作为额外的设计目标。
将该流水线适配于双端口带通滤波器综合，这需要预测完整的散射矩阵。

技术摘要：基于机器学习辅助的像素化毫米波微带贴片天线逆向设计

类似论文