تحسين ممتص ميتامادي واسع النطاق باستخدام تقنية التعلم المعزز TD3 ذات السياسات الحتمية العميقة المؤجلة المزدوجة

مواد تعليمية لسَيطرة على الموجات

تعتمد روابط الاتصالات اللاسلكية الحديثة، وتلفزيون الأقمار الصناعية، والرادار على تشكيل موجات غير مرئية بطرق دقيقة جداً. يصمّم المهندسون حالياً "ميتامواد" — أسطح منقوشة دقيقة — يمكنها ابتلاع الإشارات غير المرغوب فيها أو تدوير استقطابها لتجهيز اتصالات أوضاع أدق والتخفّي. توضح هذه الورقة كيف يمكن لشكل من أشكال الذكاء الاصطناعي، التعلّم المعزز، أن يكتشف تلقائياً تصاميم عالية الأداء لهذه البنى المعقدة، في ساعاتٍ فقط ما قد يستغرق أسابيع من المحاولات والخطأ اليدوية على يد الخبراء.

لماذا يهم تشكيل الموجات

الميتامواد هي أسطح مصممة تتكوّن من أنماط ميكروسكوبية متكررة تتفاعل مع الموجات الكهرومغناطيسية بطرق غير مألوفة. عبر ضبط أشكال وتباعد هذه الأنماط، يستطيع الباحثون خلق ممتصّات رقيقة للغاية تمتص تقريباً كل الإشعاع الوارد، أو محولات تقلب استقطاب الموجة — فتحوّل، على سبيل المثال، إشارة أفقية إلى إشارة عمودية. مثل هذه الأجهزة ضرورية لتقليل بصمات الرادار، وخفض التداخل بين القنوات، وضغط مزيد من المعلومات داخل نطاقات التردد المزدحمة المستخدمة في أنظمة الأقمار اللاسلكية والاتصالات.

ترك خوارزمية تقوم بالتصميم

تقليدياً، يضبط المهندسون تصاميم الميتامواد باستخدام مسوح معاملات يدوية أو طرق بحث إرشادية مثل الخوارزميات الجينية. يمكن أن تكون هذه النهج بطيئة، ومستهلكة للقدرة الحسابية، وحساسة للتخمينات الابتدائية، خاصة عند وجود العديد من معلمات الشكل الهندسي. يلجأ المؤلفون بدلاً من ذلك إلى طريقة تعلم معزز تسمى Twin Delayed Deep Deterministic Policy Gradient (TD3). في هذا الإطار، يقترح "عميل" اصطناعي مجموعة من الأبعاد الهندسية لخلية الميتامواد، يقوم محاكي فيزيائي بتقييم مدى فعالية هذا التصميم في الامتصاص أو تحويل الموجات عبر نطاق ترددي مستهدف، ويتلقى العميل درجة مكافأة. عبر تكرار حلقة الاقتراح والتقييم هذه، يتعلم العميل تدريجياً أي الأنماط تعمل بشكل أفضل، دون الحاجة إلى صيغ صريحة أو نماذج بديلة مُدربة مسبقاً.

بناء إسفنجة موجية أفضل

الاختبار الأولي هو ممتص ميكروويف فائق الرقة مبني من مسارات نحاسية على شكل حرف L فوق خلفية معدنية، مفصولة بمادة لوحة دوائر مطبوعة شائعة. الهدف هو امتصاص قوي — يزيد عن 90 بالمئة — عبر أوسع نطاق ترددي ممكن في نطاقي Ku وK المستخدمين لروابط الأقمار والرادار. يتحكم عميل TD3 بأربع سمات هندسية رئيسية للشكل ويتفاعل مباشرة مع محاكي كهرومغناطيسي تجاري. من اللافت أنه خلال 23 تكراراً فقط، يتقارب الخوارزم إلى تصميم يمتص أكثر من 90 بالمئة من الموجات الواردة من 12.2 إلى 22.4 جيجاهرتز، وهو نطاق أوسع من الإصدارات المجهزة يدوياً أو المُحسّنة خوارزمياً باستخدام نفس التخطيط الأساسي. تُظهر اختبارات إضافية على ممتص ضوئي جميعه من العوازل عند ترددات ضوئية أن نفس إطار التعلم يمكنه أيضاً تحسين الأداء هناك، بتوسيع النطاق المفيد ورفع متوسط الامتصاص.

قلب الاستقطاب رأساً على عقب

يتحدى المؤلفون بعد ذلك الطريقة بمهمة أكثر تعقيداً: تصميم سطح يعكس الموجات الواردة بينما يقلب استقطابها عبر نطاق ترددي واسع. يبدأون من نمط بطبقة واحدة يجمع بين مسارات نحاسية على شكل L ومثلث مركزي فوق نفس الركيزة الرقيقة والخلفية المعدنية. مرة أخرى، يضبط عميل TD3 التفاصيل الهندسية. بعد نحو 81 تكراراً، يجد تهيئة تحول أكثر من 90 بالمئة من القدرة المنعكسة إلى الاستقطاب العمودي من 11.8 إلى 24.2 جيجاهرتز — ما يغطي كامل نطاق Ku ومعظم نطاق K. تُظهر المحاكيات أيضاً أن هذا التحويل العالي يبقى فعالاً للموجات الضاربة للسطح بزاويا تصل إلى 50 درجة، وهو سلوك مرغوب فيه للهوائيات والطلاءات المموهة في العالم الحقيقي.

من المحاكاة إلى منصة المختبر

للتحقق من أن التصاميم المكتشفة بالذكاء الاصطناعي عملية، يصنع الفريق السطح المحول للاستقطاب باستخدام الفوتوليثوغرافي القياسي على مصفوفة مكوّنة من 40 × 40 خلية وحدة. تؤكد القياسات باستخدام هوائيات القرن ومحلل شبكة متجهية انعكاساً عرضياً قوياً عبر نطاق يقارب النطاق المتوقَع في المحاكاة، مع اختلافات طفيفة ناجمة عن تحمّلات التصنيع وحجم العينة المحدود. بالمقارنة مع أجهزة أخرى مُبلغ عنها، يحقق هذا الهيكل بطبقة واحدة عرض نطاق وكفاءة مماثلة أو أفضل مع الاحتفاظ بكونه مضغوطاً وخالياً من مكونات دائرية إضافية.

ماذا يعني هذا للمستقبل

من خلال إظهار أن عميل TD3 للتعلّم المعزز يمكنه بسرعة الوصول إلى تصاميم ميتامواد عالية الأداء وجاهزة للتصنيع، يشير هذا العمل إلى طريقة جديدة لهندسة الأجهزة التي تتحكم في الضوء والموجات اللاسلكية. بدلاً من استكشاف فضاءات التصميم يدوياً بدقة مُجهدة، يمكن للباحثين تحديد هدف — مثل الامتصاص عريض النطاق أو تحويل استقطاب قوي — وترك خوارزمية التعلم تبحث في المشهد الضخم من الاحتمالات. النهج عام بما يكفي ليتجاوز الممتصات والمحولات، ليشمل العديد من المكونات الفوتونية والميكروويف الأخرى، مما قد يسرع الابتكار في كل شيء من الهوائيات منخفضة النماذج إلى المستشعرات البصرية والأسطح المستمدة للطاقة.

الاستشهاد: Mahmoud, B.E., Ali, T.A., Obayya, S.S.A. et al. Optimization of broadband metamaterial absorber using twin delayed deep deterministic policy gradient reinforcement learning technique. Sci Rep 16, 12745 (2026). https://doi.org/10.1038/s41598-026-41716-8

الكلمات المفتاحية: ممتص ميتامادي, محول الاستقطاب, تصميم بالتعلّم المعزز, أجهزة ميكروويف عريضة النطاق, تحسين فوتوني