Estimación de parámetros de rendimiento de antenas múltiples de dipolo doblado mediante un Sistema de Inferencia Neuro‑Difuso Adaptativo entrenado con Optimización por Enjambre de Partículas

Antenas más inteligentes para los dispositivos inalámbricos cotidianos

Desde los routers WiFi hasta los termostatos inteligentes, muchos dispositivos cotidianos dependen de pequeñas estructuras metálicas llamadas antenas para enviar y recibir señales. Diseñar estas antenas suele ser un proceso lento de ensayo y error que exige costosas simulaciones por ordenador. Este artículo muestra cómo una combinación de técnicas de inteligencia artificial puede aprender el comportamiento de un tipo de antena muy usado y predecir su rendimiento casi al instante, abriendo la puerta a un diseño de productos inalámbricos más rápido y eficiente.

Por qué importa esta antena en particular

El estudio se centra en antenas impresas de dipolo doblado, un formato compacto que se utiliza con frecuencia en 2,4 GHz—la misma banda empleada por WiFi y Bluetooth. Al doblar las ramas de un dipolo clásico, los ingenieros pueden reducir el tamaño de la antena sin sacrificar el rendimiento. Sin embargo, este plegado también hace que su comportamiento sea muy sensible al material sobre el que se imprime. Pequeñas variaciones en la longitud, anchura o grosor de la placa de circuito pueden desplazar notablemente la frecuencia de operación y la calidad de adaptación con la electrónica. Dado que estas relaciones son altamente enmarañadas y no lineales, los ingenieros suelen recurrir a repetidas y costosas simulaciones electromagnéticas para explorar las opciones de diseño.

Enseñar a un modelo a imitar el simulador

Para evitar ejecutar miles de simulaciones completas por cada nuevo diseño, los autores construyen un modelo «sustituto»: un sustituto matemático rápido que imita la salida del simulador. Comienzan generando un gran conjunto de datos con 1.000 diseños de antena distintos, cada uno creado variando sistemáticamente las dimensiones del sustrato. Para cada diseño, una herramienta electromagnética profesional calcula dos medidas clave de rendimiento: la frecuencia de resonancia (el principal canal de trabajo de la antena) y la pérdida por retorno mínima, a menudo indicada como S11, que muestra qué tan eficazmente la antena extrae potencia del transmisor en lugar de reflejarla.

Combinar reglas difusas con aprendizaje y búsqueda en enjambre

En el núcleo del marco está un Sistema de Inferencia Neuro‑Difuso Adaptativo (ANFIS), que combina dos ideas: reglas difusas que se asemejan al razonamiento humano de «si‑entonces», y un aprendizaje estilo red neuronal que ajusta los valores detrás de esas reglas. En lugar de usar únicamente entrenamiento clásico basado en gradiente—que puede quedar atrapado en soluciones pobres—los autores prueban cuatro estrategias diferentes para ajustar los parámetros del ANFIS: retropropagación clásica, un método híbrido de retropropagación, un algoritmo genético inspirado en la evolución y la Optimización por Enjambre de Partículas (PSO), que imita a un enjambre de partículas buscando la mejor posición. Lo crucial es que usan estos métodos de optimización no para modificar la forma de la antena, sino para mejorar la configuración interna del propio ANFIS de modo que pueda aprender mejor la relación entre geometría y rendimiento.

Lo que el modelo aprende sobre el rendimiento

La comparación muestra que los métodos basados en poblaciones, que exploran muchas soluciones candidatas en paralelo, superan claramente al aprendizaje puramente basado en gradientes. Entre ellos, el ANFIS entrenado con PSO ofrece las predicciones más precisas y estables. Para los diseños de prueba que nunca ha visto antes, el modelo predice la frecuencia de resonancia con un error medio de sólo unos milésimos de gigaherzio y la pérdida por retorno con errores de apenas unos milésimos de decibelio. Pruebas estadísticas confirman que estas mejoras no son fruto del azar: el modelo mejorado con PSO sigue sistemáticamente las subidas y bajadas detalladas tanto de la frecuencia como de S11 a lo largo de una amplia gama de tamaños y grosores de placa.

Qué significa esto para los futuros dispositivos inalámbricos

En términos sencillos, los autores han construido un atajo muy preciso para el diseño de antenas. En lugar de ejecutar un simulador pesado ante cada pequeño cambio en las dimensiones de la placa, los ingenieros pueden usar el modelo ANFIS‑PSO entrenado para obtener predicciones casi instantáneas tanto de la frecuencia de operación como de la calidad de adaptación. Esto puede acelerar drásticamente la exploración de diseños, reducir los costes de cálculo y ayudar a optimizar antenas para dispositivos inalámbricos compactos en la banda de 2,4 GHz y más allá. La misma estrategia—usar modelos neuro‑difusos optimizados por enjambre como sustitutos rápidos—podría extenderse a otros componentes radioeléctricos complejos, apoyando el desarrollo rápido de futuros sistemas WiFi, Bluetooth, IoT y de comunicación de próxima generación.

Cita: 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

Palabras clave: dipolo doblado, diseño inalámbrico, modelado neuro‑difuso, optimización por enjambre de partículas, optimización de antenas