Machine Learning Assisted Design and Optimization of a Dual-Port SIW Antenna with LP-to-CP Conversion for sub-6 GHz 5G Communication System
本文提出了一种机器学习辅助的紧凑型高增益双端口基片集成波导（SIW）天线设计，该天线可实现线极化到圆极化的转换，用于稳健的 Sub-6 GHz 5G MIMO 通信，并在目标频段内实现了性能优化。
原始论文采用 CC BY 4.0 许可（https://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
无线通信依赖于在空气中传输数据的不可见波。为了使这些连接更快、更可靠，工程师经常使用多根天线协同工作，这种系统被称为 MIMO。然而，当这些天线彼此靠近放置时，它们往往会相互干扰，就像两个人在同一个狭小的房间里试图说话一样。这种干扰（或称“耦合”）会削弱信号。另一个挑战是波的取向；如果发射天线发送的波是向一个方向旋转，而接收天线期望的是向另一个方向旋转，连接就会失败。为了解决这个问题，工程师设计了能够处理圆极化（circular polarization）的天线，即波以圆形旋转，使得无论设备如何握持，连接都能保持稳健。目标是构建一种紧凑、高性能的天线，既能避免干扰并高效处理这些旋转波，又能设计得足够快，以跟上现代 5G 网络快速变化的需求。
在最近的一项研究中，印度国家技术学院的研究人员解决了这些挑战，为 sub-6 GHz 5G 频谱（驱动目前大多数移动网络的频率范围）开发了一种新型天线。他们结合了两个先进概念：基片集成波导（一种扁平、屏蔽的通道，能以极低的损耗引导电磁波）以及一种将线性波转换为圆波的特殊结构。其结果是一个双端口天线，这意味着它有两个独立的信号入口点，旨在协同工作而不产生干扰。为了确保设计的完美性，该团队并未仅仅依赖于传统的、耗时的计算机模拟，而是采用了机器学习——人工智能的一个分支，将其作为设计过程中快速且智能的引导工具。
研究人员首先在标准的电路板材料上构建了天线的物理模型。该设备的核心是一个衬有微小金属柱的矩形腔体，它能捕捉能量并高效地引导能量。在腔体上方，他们悬挂了一层包含图案化表面的薄层，这种表面被称为超构表面（metasurface）。这一层充当转换器，将传入信号的直线振动扭转为稳健通信所需的圆周运动。团队仔细调整了腔体的大小、金属柱的间距以及电路板上开槽的尺寸。他们测试了这些变化如何影响天线接收信号的能力以及拒绝两个端口之间干扰的能力。
为了加速发现最佳形状的过程，团队通过运行数千次具有略微不同维度的计算机模拟，生成了一个庞大的数据库。随后，他们训练了两种不同的机器学习算法——一种基于模拟大脑结构，另一种构建决策树——来学习天线物理形状与其性能之间的关系。这些算法学会了如何在不需要每次都运行完整的、缓慢的模拟的情况下，预测天线的行为。研究发现，基于树的算法特别准确，能够以高度置信度预测天线的行为。这使得研究人员能够快速确定最终设计的最佳尺寸。
最终优化的天线在计算机模型和物理测试中均表现出色。它在 4.7 至 5.25 GHz 的频率范围内有效运行，涵盖了关键的 sub-6 GHz 5G 频谱。在此范围内，天线成功地将线性信号转换为圆信号，并在 4.9 至 5.18 GHz 之间维持稳定的旋转波。至关重要的是，天线的两个端口几乎完全独立，干扰水平降至负 40 分贝以下，这一数值表明信号分离非常清晰。该设备还实现了 9.5 分贝的峰值增益，意味着它能将信号强烈地聚焦在所需方向。当研究人员制作出物理原型并使用矢量网络分析仪进行测试时，实际测量结果与计算机预测高度吻合，证实了该设计确实按预期工作。
这项工作表明，将先进的天线物理学与机器学习相结合，可以为下一代无线系统提供紧凑、高增益的解决方案。通过利用人工智能来应对尺寸、带宽和信号纯度之间的复杂权衡，研究人员创造了一个既强大又高效的设备。该天线在保持端口间强隔离性的同时提供高增益的能力，使其成为未来 5G 应用的有力竞争者，因为在这些应用中，可靠、高速的数据传输至关重要。该研究证实，机器学习不仅是一个理论工具，更是一种加速复杂电子元件设计的实用方法，将曾经缓慢的迭代过程转变为一条通往创新的精简路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。