تقدير معلمات أداء هوائيات متعددة للموجّه ثنائي الطول المطوي باستخدام نظام استدلال عصبي ضبابي تكيفي مدرّب بتحسين سرب الجسيمات

هوائيات أذكى لأجهزة الاتصال اللاسلكي اليومية

من موجهات الواي فاي إلى منظمات الحرارة الذكية، تعتمد العديد من الأجهزة اليومية على هياكل معدنية صغيرة تُسمى هوائيات لإرسال واستقبال الإشارات. عادة ما يكون تصميم هذه الهوائيات عملية بطيئة تتطلب التجربة والخطأ والكثير من المحاكاة الحاسوبية. تُظهر هذه الورقة كيف يمكن لمزيج من تقنيات الذكاء الاصطناعي أن يتعلم سلوك نوع شائع من الهوائيات ويتنبأ بأدائه فوراً تقريباً، ممهدًا الطريق لتصميم منتجات لاسلكية أسرع وأكثر كفاءة.

لماذا هذا الهوائي بالذات مهم

تُركّز الدراسة على هوائيات ثنائية الطول المطوية المطبوعة، وهي صيغة مدمجة تُستخدم غالبًا عند 2.4 غيغاهرتز—نفس النطاق المستخدم من قبل الواي فاي والبلوتوث. عن طريق طي ذراعي ثنائي الطول التقليدي، يمكن للمهندسين تصغير حجم الهوائي دون التضحية بالأداء. إلا أن هذا الطي يجعل سلوكه حساسًا جدًا للمادة التي يُطبع عليها. التغيرات الصغيرة في طول اللوح أو عرضه أو سمكه قد تُحرّك تردد التشغيل الخاص بالهوائي وكيفية مطابقته للدارات إلكترونيًا. ونظرًا لأن هذه العلاقات معقدة وغير خطية، يعتمد المهندسون عادة على محاكيات كهرومغناطيسية متكررة ومستهلكة للوقت لاستكشاف خيارات التصميم.

تعليم نموذج ليحاكي المُحاكٍ

لتجنب تشغيل آلاف المحاكاة الكاملة لكل تصميم جديد، يبني المؤلفون «نموذجًا احتياطيًا» — ممثلًا رياضيًا سريعًا يحاكي مخرجات المحاكٍ. يبدأون بإنشاء مجموعة بيانات كبيرة مكوّنة من 1000 تصميم هوائي مختلف، كل منها نُشئ عن طريق تغيير أبعاد الركيزة بشكل ممنهج. لكل تصميم، تحسب أداة كهرومغناطيسية احترافية مقياسين رئيسيين للأداء: تردد الرنين (قناة العمل الرئيسية للهوائي) والحد الأدنى للخسارة العائدة، والمعروفة غالبًا باسم S11، والتي تشير إلى مدى كفاءة امتصاص الهوائي للطاقة من المرسِل بدلاً من عكسها.

مزيج قواعد ضبابية مع التعلم وبحث السرب

في قلب الإطار يوجد نظام استدلال عصبي ضبابي تكيفي (ANFIS)، يجمع بين فكرتين: قواعد ضبابية تشبه تفكير «لو–فإن» البشري، وتعلم على نمط الشبكات العصبية الذي يضبط القيم وراء تلك القواعد. بدلًا من الاعتماد على التدريب التقليدي المعتمد على التدرج وحده—الذي قد يعلق عند حلول دون المستوى—اختبر المؤلفون أربع استراتيجيات مختلفة لضبط معلمات ANFIS: الانتشار العكسي الكلاسيكي، وطريقة هجينة للانتشار العكسي، وخوارزمية جينية مستوحاة من التطور، وتحسين سرب الجسيمات (PSO) الذي يحاكي سربًا من الجسيمات يبحث عن أفضل موقع. والأهم أنهم يستخدمون هذه طرق التحسين ليس لتعديل شكل الهوائي، بل لتحسين الإعدادات الداخلية لـANFIS نفسه ليتمكن من تعلم العلاقة بين الهندسة والأداء بشكل أفضل.

ما الذي يتعلمه النموذج عن الأداء

تُظهر المقارنة أن الطرق المعتمدة على السكان، التي تستكشف العديد من الحلول المحتملة بالتوازي، تتفوق بوضوح على التعلم المعتمد كليًا على التدرج. من بينها، يقدم ANFIS المدرب بواسطة PSO أدق التوقعات وأكثرها استقرارًا. بالنسبة لتصاميم الاختبار التي لم يرها من قبل، يتنبأ النموذج بتردد الرنين بخطأ متوسط لا يتجاوز بضعة أجزاء من الألف من الغيغاهرتز، وبخسارة عائدة أخطاء لا تتجاوز بضعة أجزاء من الألف من الديسيبل. وتؤكد الاختبارات الإحصائية أن هذه المكاسب ليست مجرد صدفة: فالنموذج المحسّن بواسطة PSO يتتبع بشكل منهجي التقلبات التفصيلية لكل من التردد وS11 عبر نطاق واسع من أحجام وسمكات الألواح.

ما معنى ذلك لأجهزة الاتصال اللاسلكي المستقبلية

بعبارة بسيطة، بنى المؤلفون اختصارًا عالي الدقة لتصميم الهوائيات. بدلاً من تشغيل محاكي ثقيل عند كل تغيير بسيط في أبعاد اللوح، يمكن للمهندسين استخدام نموذج ANFIS‑PSO المدرب للحصول على تنبؤات شبه فورية لكل من تردد التشغيل وجودة المطابقة. يمكن لذلك أن يسرّع استكشاف التصميم بشكل كبير، ويقلل من تكاليف الحوسبة، ويساعد على تحسين الهوائيات لأجهزة لاسلكية مدمجة في نطاق 2.4 غيغاهرتز وما بعده. ويمكن توسيع الاستراتيجية نفسها—باستخدام نماذج عصبية‑ضبابية مُحسّنة بسرب الجسيمات كبدائل سريعة—لتشمل مكونات راديوية معقدة أخرى، داعمةً التطوير السريع لشبكات الواي فاي والبلوتوث وإنترنت الأشياء وأنظمة الاتصالات من الجيل التالي.

الاستشهاد: Haznedar, B., Gençoğlan, D.N. & Haznedar, H. Multiple antenna performance parameters estimation of folded dipole antenna using Adaptive Neuro-Fuzzy Inference System trained with Particle Swarm Optimization. Sci Rep 16, 12214 (2026). https://doi.org/10.1038/s41598-026-41039-8

الكلمات المفتاحية: هوائي ثنائي الطول المطوي, تصميم لاسلكي, نمذجة عصبية-ضبابية, تحسين سرب الجسيمات, تحسين الهوائي