Dimensionaliteit gereduceerde antennearray voor beamforming/sturing

Waarom het vormen van radiogolven ertoe doet

Van 5G‑smartphones en Wi‑Fi‑routers tot satellietverbindingen en zelfrijdende auto’s: onze wereld draait op onzichtbare bundels van radio‑ en lichtgolven. Die bundels nauwkeurig richten — zodat energie alleen daarheen gaat waar die nodig is — is essentieel voor snelle, betrouwbare en energiezuinige communicatie. Dit artikel presenteert een nieuwe manier om “slimme” antennes te bouwen die stralen kunnen sturen terwijl ze veel minder elektronische regelonderdelen gebruiken, wat toekomstige netwerken mogelijk goedkoper, lichter en minder energieverslindend maakt.

Hoe antennes leren richten

Traditionele antennes stralen in alle richtingen, verliezen vermogen en nemen ongewenste interferentie op. Beamforming verandert dat door veel kleine antenne‑elementen te gebruiken die samenwerken. Door elk element van een zorgvuldig gekozen vertraging (of fase) en amplitude te voorzien, versterken de golven elkaar in één gewenste richting en cancelen ze elkaar elders uit. Dit creëert een sterke, stuurbare bundel die gebruikers kan volgen, meerdere datastromen kan scheiden en objecten duidelijker kan zien in radar‑ en LiDAR‑systemen. Het probleem is dat bij een klassiek phased array elk antenne‑element zijn eigen instelbare faseschuiver en vaak een eigen versterker nodig heeft. Naarmate arrays groeien tot honderden of duizenden elementen — zoals bedacht voor 6G en satellietsystemen — worden hardware, kosten en benodigde energie enorm.

Meer doen met minder bestuur

De auteurs pakken dit schaalprobleem aan door de hele stuurtaken als een soort datacompressieprobleem te behandelen. In plaats van elk antenne‑element onafhankelijk aan te passen, beschrijven ze eerst alle instellingen die nodig zijn voor vele straalrichtingen als een grote matrix. Vervolgens passen ze een wiskundig hulpmiddel toe, singular value decomposition (SVD), om een veel kleinere set van “basispatronen” te vinden die kunnen worden gemengd om die stralen met slechts kleine fouten te reconstrueren. In hun Dimensionality‑Reduced Cascaded Angle Offset Phased Array (DRCAO‑PAA) wordt elk basispatroon in de hardware vastgelegd en beslist slechts een klein aantal variabele controllers hoe sterk elk patroon wordt gebruikt. In feite vervangen een handvol slimme knoppen tientallen of zelfs honderden individuele regelingen.

Slimme optimalisatie en AI‑hulp

Het simpelweg comprimeren van de matrix is niet genoeg; de overgebleven patronen moeten ook praktisch realiseerbaar zijn in hardware. Als een patroon extreem hoge versterkingsniveaus of zeer fijne faseprecisie vereist, wordt het moeilijk of duur om te bouwen. Om dit te vermijden gebruikt het team een optimalisatiemethode geïnspireerd op zwermgedrag van vogels, bekend als particle swarm optimization, om basispatronen te zoeken die straalfouten klein houden terwijl versterkingsniveaus en fasebereiken binnen realistische grenzen blijven. Vervolgens gaan ze een stap verder en trainen ze een Transformer‑gebaseerd deep‑learningmodel — verwant aan modellen die in moderne taal‑AI worden gebruikt — om snel goede basispatronen te voorspellen voor verschillende arraygroottes en scanbereiken. Dit stelt ingenieurs in staat bijna‑optimale ontwerpen in seconden te genereren in plaats van herhaaldelijk zware numerieke zoekslagen uit te voeren.

Van theorie naar werkende hardware

Om te bewijzen dat het concept meer is dan alleen wiskunde, bouwden de onderzoekers een millimetergolf‑printplaat die op 28 gigahertz werkt, een belangrijke band voor 5G en verder. De print gebruikt commerciële beamformer‑chips gerangschikt in drie lagen — ingangen, een middenlaag voor routering en uitgangen — om de vaste basispatronen en instelbare mengbesturingen te implementeren. Met deze opstelling tonen ze aan dat een 16‑element array kan worden gestuurd over een bereik van 0–30° met slechts 4 actieve controllerpaden in plaats van 16, en dat een 8‑element array kan worden gestuurd met slechts 3 controllerparen. In een anechoïsche kamer wordt een 4‑element antenne aangestuurd door slechts 2 faseschuivers en 2 variabele versterkers terwijl de bundel nog steeds soepel over enkele graden wordt gewisseld, met richtfouten beperkt tot een kleine fractie van het totale scanbereik.

Wat dit betekent voor toekomstige netwerken

In eenvoudige termen laat dit werk zien dat grote, stuurbare antenne‑arrays niet altijd een één‑op‑één‑overeenkomst hoeven te hebben tussen antenne‑elementen en dure bestuurlijke elektronica. Door zorgvuldig een kleine bibliotheek van vooraf ontworpen patronen te hergebruiken en deze in de juiste verhoudingen te mengen, is het mogelijk het aantal actieve controllers met wel 75–87,5% te verminderen, terwijl nuttige stuureigenschappen behouden blijven. Die vermindering vertaalt zich in lagere kosten, lager energieverbruik en eenvoudigere hardware — voordelen die cruciaal zijn voor dicht bezette 6G‑basisstations, grootschalige satellietconstellaties en compacte sensingsystemen. Hoewel de huidige experimenten zich richten op lineaire arrays, kan hetzelfde matrixcompressie‑idee worden uitgebreid naar tweedimensionale panelen voor volledige 3D‑sturing, wat wijst op toekomstige communicatie‑ en detectieapparatuur die zowel slimmer als slanker is.

Bronvermelding: Xia, S., Zhao, M., Ma, Q. et al. Dimensionality reduced antenna array for beamforming/steering. Commun Eng 5, 38 (2026). https://doi.org/10.1038/s44172-026-00588-6

Trefwoorden: beamforming, fased arrays, 6G-communicatie, satellietverbindingen, antennedesign