نمذجة فجوة النطاق الكهرومغناطيسي لهوائي فائق النطاق بواسطة شبكة توليدية مضادة وخوارزمية تحسين النينجا

هوائيات أذكى لمستقبل لاسلكي منخفض الكربون

تمتلئ منازلنا وسياراتنا ومصانعنا وحتى مزارع الطاقة الشمسية بأجهزة لاسلكية يجب أن تتواصل مع بعضها بشكل موثوق مع إهدار أدنى للطاقة. الهوائيات فائقة النطاق — أشكال معدنية صغيرة ترسل وتستقبل نبضات راديوية قصيرة جداً عبر نطاق واسع من الترددات — تشكل جزءاً أساسياً من هذه المعادلة. تستكشف هذه الورقة كيف أن الجمع بين الذكاء الاصطناعي الحديث واستراتيجية بحث مستوحاة من الطبيعة تُسمى «نينجا» يمكن أن يجعل تصميم هذه الهوائيات أسرع وأرخص وأكثر كفاءة، مما يساعد على دعم أنظمة الاتصالات وتوليد الطاقة المتجددة من الجيل القادم.

لماذا تهم هذه الهوائيات

تتميز الهوائيات فائقة النطاق بقدرتها على نقل كميات كبيرة من البيانات باستخدام طاقة منخفضة جداً، وبقدرتها على تحديد المواقع بدقة عالية. تُستخدم في الاتصالات قصيرة المدى، وأجهزة الاستشعار الذكية، وتطبيقات الشبكات الذكية والطاقة المتجددة الناشئة، حيث يتعين على الأجهزة مراقبة كمية الطاقة المنتجة والمخزنة والمستهلكة بشكل مستمر. لكي تعمل جيداً في طيف مشغول، تُزاوج العديد من هذه الهوائيات مع هياكل فجوة النطاق الكهرومغناطيسي — أسطح مُنقطة بعناية تعمل كمرشحات، تحجب التداخل غير المرغوب من خدمات أخرى مثل WiMAX، وWi‑Fi، ونطاقات الرادار. تصميم مثل هذه التركيبات من الهوائي والمرشح أمر صعب: التغييرات الصغيرة في الشكل أو المادة أو النمط يمكن أن تغير بشكل كبير كيفية إشعاع الهوائي، ومقدار الطاقة المهدرة، وقوة رفض التداخل.

تحويل بيانات التصميم إلى مسألة تعليمية

بدلاً من الاعتماد فقط على محاكاة بطيئة بالتجربة والخطأ، يبني المؤلفون مجموعة بيانات غنية مكونة من 1000 تصميم لهوائيات تجمع بين مشعات فائقة النطاق وأنماط فجوة نطاق مختلفة. لكل تصميم، يسجلون كميات عملية تهم المهندسين: تردد التشغيل، ومقدار الإشارة المعاد انعكاسها إلى الدائرة، ومدى عرض نطاق الترددات التي يمكن للهوائي التعامل معها، ومدى إشعاعه في اتجاه معين، ومدى توافقه مع الإلكترونيات، ومدى كفاءته في تحويل الطاقة الداخلة إلى موجات راديوية. كما يصنفون التصاميم بحسب نوع فجوة النطاق والنطاقات التداخلية التي قاموا «بقصها» عمدًا. المهمة الأساسية هي التنبؤ بكفاءة الهوائي من جميع هذه المدخلات. إذا أمكن تعلم هذا الارتباط بدقة، يمكن للمصممين استكشاف أشكال وإعدادات جديدة في أجزاء من الثانية بدلاً من تشغيل محاكاة كهرومغناطيسية مكلفة في كل مرة.

تعليم الذكاء الاصطناعي تقليد الفيزياء

تختبر الدراسة عدة طرق تعلم عميق وتستقر على شبكة توليدية خصمية كأفضل خيار واعد. يستخدم هذا النوع من النماذج متنافسان متعاونا: شبكة تقترح أمثلة تركيبية لسلوك الهوائيات، وأخرى تحاول التمييز بين المزيف والحقيقي. مع مرور الوقت، يصبح المولد بارعاً في تقليد الأنماط الخفية في البيانات. هنا، يساعد هذا الإعداد الخصمي على التقاط العلاقات المعقدة وشديدة اللاخطية بين التفاصيل الهندسية، واختيارات المواد، والأداء. للحفاظ على تركيز النموذج على المدخلات الأكثر معلوماتية، يقدم المؤلفون خطوة اختيار ميزات تعتمد على «خوارزمية تحسين النينجا الثنائية»، التي تبحث عن أصغر مجموعة فرعية من المتغيرات التي لا تزال تتنبأ بالكفاءة بدقة. بالمقارنة مع تسع طرق اختيار مستوحاة من الطبيعة أخرى، يزيل هذا المقتبس المستوحى من النينجا المزيد من التكرار دون الإضرار بالدقة، مما يقص المشكلة إلى مجموعة مدمجة من الوصفّات الأساسية.

السماح لنينجافرتشيفيين بضبط النموذج

حتى النموذج الجيد قد يؤدي أداء ضعيفاً إذا كانت إعداداته الداخلية — مثل معدلات التعلم، أحجام الطبقات، وأحجام الدُفع — مختارة بشكل سيئ. بدلاً من ضبطها يدوياً، يطلق المؤلفون نسخة مستمرة من خوارزمية تحسين النينجا لاستكشاف فضاء الإعدادات هذا. في استعارة الورقة، كل «نينجا» هو وكيل يتجول في مشهد التكوينات الممكنة، أحياناً يتنقل على نطاق واسع لتجنب الوقوع في فخ، وأحياناً يقوم بحركات صغيرة دقيقة حول مناطق واعدة. تتناوب مراحل الاستكشاف والطفرات والاستغلال بعناية حتى لا يتجمد البحث مبكراً ولا يضيع وقتاً في مناطق غير منتجة. عند استخدامها لضبط الشبكة التوليدية الخصمية، تقدم استراتيجية النينجا أخطاء تنبؤ منخفضة للغاية ومعامل تحديد (R²) يقارب 0.99، متفوقة بشكل كبير على محلّلات شعبية أخرى مثل سرب الجسيمات، وخوارزمية الخفاش، والحوت، والتطور التفاضلي.

أدق، أسرع، وأكثر مقاومة للتشويش

بعيداً عن الدقة الخام، يختبر المؤلفون مدى متانة إطارهم في ظل ظروف أكثر واقعية. يقومون عمدًا بحقن ضوضاء في بيانات المدخلات وتقليص كمية بيانات التدريب لمحاكاة قياسات شحيحة أو غير كاملة. يحافظ النموذج المضبوط بواسطة النينجا على أخطاء تنبؤ صغيرة جداً حتى عندما تزيد مستويات الضوضاء ونقص البيانات، بينما تتدهور الطرق المنافسة بشكل أكثر وضوحاً. كما أن المنهج اقتصادي حسابياً: من بين جميع تركيبات التحسين والذكاء الاصطناعي المختبرة، يصل النموذج الموجه بالنينجا إلى دقته العالية بأقل وقت تشغيل متوسط واستخدام ذاكرة ومعالج متوسطين. تقترح هذه المجموعة من الدقة والسرعة والصلابة أن الطريقة يمكن أن تعمل كمساعد عملي للتصميم بدلاً من كونها فضولاً مختبرياً.

ماذا يعني هذا للتكنولوجيا اليومية

بعبارات بسيطة، يظهر هذا العمل كيف يمكن لنظام تعلم ذكي قائم على البحث أن يتولى جزءاً كبيراً من العبء الثقيل في تصميم هوائيات فائقة النطاق. بدلاً من قضاء أيام في تشغيل محاكاة كهرومغناطيسية كاملة لكل فكرة جديدة، يمكن للمهندسين استخدام النموذج المدرب لفحص آلاف الاحتمالات بسرعة والتركيز فقط على الأكثر وعداً. يمكن لذلك أن يؤدي إلى هوائيات تشع بكفاءة أكبر، وتتحمل التداخل بشكل أروع، وتتناسب بشكل أفضل مع الأجهزة المدمجة منخفضة الطاقة المستخدمة في المنازل الذكية، والأجهزة القابلة للارتداء، والمركبات الكهربائية، وتركيبات الطاقة المتجددة. بدمج الذكاء التوليدي مع مخطط تحسين رشيق، تشير الدراسة إلى مستقبل يُعاد فيه تصميم الأجهزة اللاسلكية باستخدام أدوات مدفوعة بالبيانات تكون سريعة ودقيقة بقدر الأنظمة الرقمية التي تدعمها.

الاستشهاد: Alhussan, A.A., Khafaga, D.S., El-kenawy, ES.M. et al. Ninja optimization algorithm based ultra wideband antenna electromagnetic band gap modeling via a generative adversarial network. Sci Rep 16, 7908 (2026). https://doi.org/10.1038/s41598-026-39068-4

الكلمات المفتاحية: هوائيات فائقة النطاق, هياكل فجوة النطاق الكهرومغناطيسي, تحسين بتعلم الآلة, الشبكات التوليدية الخصمية, أنظمة الطاقة اللاسلكية