通过机器学习设计矩形补丁天线
Irene Merino-Fernandez1, Javier Del Pino2, Sunil Khemchandani2
1Instituto de Microelectrónica Aplicada, Universidad de Las Palmas de Gran Canaria (ULPGC), Parque Cientifico Tecnologico, 35017, Las Palmas de Gran Canaria, Spain. imerino@iuma.ulpgc.es.
Scientific reports
|September 30, 2025
概括
本研究介绍了一种人工智能驱动的方法,用于优化使用机器学习和电磁模拟的矩形补丁天线. 这种方法可以快速设计高精度的天线,大大减少计算时间和资源.
科学领域:
- 电气工程 电气工程
- 计算电磁学 计算机电磁学
- 材料科学 材料科学 材料科学
背景情况:
- 矩形补丁天线是现代无线通信系统的关键组件.
- 传统的天线设计在很大程度上依赖于代电磁 (EM) 模拟,这是计算密集且耗时的.
- 介电材料的选择在特定频率范围内显著影响天线性能.
研究的目的:
- 开发一个全面的方法来优化矩形补丁天线设计.
- 整合电磁模拟,机器学习 (ML) 技术和介电材料分析.
- 创建一个人工智能驱动的天线设计工具箱,以快速准确地预测天线参数和性能估计.
主要方法:
- 通过PathWave ADS在0.5-10.5 GHz频率范围内通过EM模拟生成1000个天线的数据集.
- 分析了介电材料对天线有效性的影响 (返回损失> 10dB,增益> 0dB).
- 训练了两个人工神经网络 (ANN):一个用于预测几何参数,另一个用于估计回报损失和收益.
主要成果:
- 选择的ANN在几何参数预测和性能估计方面取得了很高的准确性 (R2 > 0.95,MSE < 0.03).
- 由人工智能驱动的工具箱在几秒钟内提供天线设计和参数,可与全波电磁模拟相提并论.
- 证明了介电材料选择在定义天线操作频段中的关键作用.
结论:
- 拟议的综合方法提供了比传统天线设计工作流程更快,更高效的计算替代方案.
- 人工智能驱动的天线设计工具箱能够快速优化并准确预测矩形补丁天线的性能.
- 这种方法突显了ML在加速RF和微波组件设计周期方面的潜力.
