التعلم الآلي الهجين وعملية غاوس لتقدير معلمات الهوائي

هوائيات أذكى لعالم لاسلكي

من الهواتف الذكية إلى موجهات الواي‑فاي، تعتمد تقريبًا كل الأجهزة اللاسلكية على أشكال معدنية صغيرة تُسمى هوائيات لإرسال واستقبال الإشارات. تقليديًا يتطلب تصميم هذه الهوائيات تشغيل محاكيات حاسوبية طويلة الوقت وتعديل الأبعاد يدويًا. يوضح هذا البحث كيف يمكن لمزيج من أدوات التعلّم الآلي الحديثة أن يؤتمت هذه العملية تقريبًا، ما يختصر زمن التصميم بنحو 99% مع الحفاظ على دقة أداء عالية عبر نطاق واسع من ترددات الاتصالات اللاسلكية.

لماذا تصميم الهوائيات بطيء اليوم

غالبًا ما يستخدم المهندسون نوعًا شائعًا من الهوائيات يُسمى رقاقة ميكروسترب: مستطيل معدني مسطح مطبوع على لوحة دارات. طولها وعرضها وخط الإمداد يحددون التردد الذي ستعمل عنده—مثل 5G أو الواي‑فاي. بينما تعطي الصيغ النظرية نقطة انطلاق، فإن الحصول على تصميم قابل للتصنيع عادةً ما يتطلب جولات عديدة من محاكاة الكهرومغناطيسية التفصيلية. قد تستغرق كل محاكاة دقائق، وقد يعني الانتقال إلى تردد مستهدف جديد تكرار العملية بأكملها. المحاولات السابقة لتسريع ذلك باستخدام التعلّم الآلي كانت واعدة، لكن العديد منها اعتمد على مجموعات بيانات صغيرة أو غير مُتحقَّق منها، مما يعرّضها لخطر "الانطباق المفرط" حيث يظهر النموذج جيدًا على الورق لكنه يفشل مع التصاميم الجديدة.

تدريب نموذج ببيانات عالية الجودة

يتعامل المؤلفون مع مشكلة الموثوقية بصراحة من خلال بناء مجموعة بيانات كبيرة ومُدققة بعناية. باستخدام برنامج المحاكاة المهني CST، صمموا وحسّنوا 1,041 هوائي رقاقة يغطي ترددات من 0.6 إلى 6.5 غيغاهرتز، نطاق يشمل العديد من أنظمة الاتصالات اليومية. لكل تصميم، سجّلوا التردد التشغيلي وثلاثة أبعاد رئيسية للهوائي. تم الاحتفاظ فقط بالتصاميم التي تحقق تطابقًا جيدًا للإشارة، مما يضمن أمثلة نظيفة وموثوقة. كما قاموا بتصنيع هوائي فعلي وقياس سلوكه في المختبر، مما أكد أن المحاكيات تتطابق عن كثب مع الأجهزة الفعلية، وهو ما يعزز الثقة بأن بيانات التدريب تعكس الواقع.

مزج طريقتين للتعلّم في أداة واحدة

استنادًا إلى هذه المجموعة، بنى الفريق نموذجًا هجينًا يجمع بين طريقة سريعة لتجميع شجرات القرار تُدعى الغابة العشوائية، وطريقة تحسين إحصائية تُعرف باسم العملية الغاوسية. تتعلم الغابة العشوائية كيف ترتبط أبعاد الهوائي بالتردد الرنيني، في حين تُستخدم العملية الغاوسية كـ"مدرّب" يضبط العديد من الإعدادات الداخلية، أو فرط‑المعاملات، لنموذج التعلّم. يتم هذا الضبط عبر التحسين البايزي، الذي يبحث عن إعدادات تقلل خطأ التنبؤ دون اختبار كل الاحتمالات بشكل مكثف. قارن المؤلفون ست طرق مختلفة للتعلّم الآلي ووجدوا أن الغابة العشوائية، بمجرد توجيهها بواسطة العملية الغاوسية، تقدم أدق التنبؤات لأبعاد الهوائي.

الدقة والسرعة وما يعنيه ذلك عمليًا

يتنبأ النموذج الهجين المحسّن بالأبعاد الثلاثة الرئيسية للهوائي من تردد مطلوب بخطأ ضئيل جدًا. مقياس قياسي، متوسط الجذر التربيعي للخطأ، يصل إلى 0.0056، ومقياس منفصل يقيس مدى تطابق التنبؤات مع القيم الحقيقية يقترب عمليًا من 1 لأفضل النماذج. قام المؤلفون أيضًا بالتحقق من النظام بطلب تصميم هوائيات رقاقية عند عدة ترددات، ثم مقارنة التصاميم المتنبأ بها مع محاكيات CST جديدة وقياسات فعلية. عبر النطاق المختبر، تكاد تتطابق منحنيات الأداء المتنبأ بها والمقاسة. في اختبارات الزمن على حاسوب مكتبي نموذجي، يحتاج النموذج المدرب أقل من ثلاث ثوانٍ لاقتراح أبعاد مناسبة، في حين تستغرق عملية تحسين كاملة في CST نحو 300 ثانية، حتى في ظل افتراضات مواتية. هذا يعني أن الطريقة الجديدة يمكن أن تعمل كمساعد تصميم شبه فوري.

من فن الخبراء إلى تصميم بضغطة زر

بعبارات بسيطة، يحول هذا العمل ما كان مهمة بطيئة تعتمد على الخبراء إلى شيء أقرب إلى هندسة بضغطة زر. بمجرد تدريب النموذج الهجين مرة واحدة، يمكن لمصممي الهوائيات إدخال تردد مستهدف بين 0.6 و6.5 غيغاهرتز والحصول فورًا على أبعاد عالية الجودة تتطابق تقريبًا مع ما ستنتجه محاكاة كاملة. هذا يوفر الجهد ويقلّل التجربة والخطأ ويجعل من الأسهل استكشاف منتجات لاسلكية جديدة أو تكييف التصاميم لشرائط ترددية جديدة. يمكن أن تغطي التوسعات المستقبلية نطاقات ترددية أوسع وأشكال هوائيات أكثر تعقيدًا، موسعة تحول تطوير مكونات الراديو من أسابيع من الضبط اليدوي إلى ثوانٍ من التنبؤ الذكي.

الاستشهاد: Thao, H.T.P., Kien, T.V. Hybrid machine learning and Gaussian process for antenna parameter estimation. Sci Rep 16, 6076 (2026). https://doi.org/10.1038/s41598-026-35564-9

الكلمات المفتاحية: تصميم الهوائيات, التعلّم الآلي, الغابة العشوائية, العملية الغاوسية, رقاقة ميكروسترب