Прогнозирование характеристик графеновой пластинчатой антенны с помощью модели машинного обучения для терахерцевых приложений

Почему маленькие антенны важны для сетей будущего

По мере того как наши телефоны, датчики и беспроводные устройства устремляются к всё более высоким скоростям передачи данных, инженеры обращают внимание на терахерцовый диапазон — частоты в тысячу раз выше, чем у нынешнего Wi‑Fi. На этих частотах создание эффективных антенн становится крайне сложной задачей, а моделирование каждой новой конструкции может занимать часы. В этом исследовании показано, как ультратонкий материал графен в сочетании с машинным обучением можно использовать для проектирования компактных терахерцовых антенн, которые одновременно мощны и быстро оптимизируются в ПО, что прокладывает путь для будущих сетей 6G и дальше.

Новый тип крошечного усиливателя сигнала

Авторы разработали микроскопическую «пластину» антенны из графена — однослойного углеродного материала, размещённую на кремниевом блоке с другим слоем графена в качестве заземления. Несмотря на размеры в несколько десятков микрометров — меньше ширины человеческого волоса — антенна спроектирована для работы в диапазоне от 1 до 5 терахерц, что привлекательно для сверхскоростных беспроводных связей, сенсоров и изображений. Компьютерное моделирование показывает, что это компактное устройство может поддерживать 11 отдельных частотных полос в этом окне и достигать максимального усиления около 7.5 dBi, то есть оно эффективно концентрирует радиэнергию для своего размера.

Настройка материала и формы

Особенность этой антенны — не только её размер, но и возможность настройки. Электрическое поведение графена можно регулировать изменением двух ключевых параметров: химического потенциала (который контролирует подвижность носителей заряда) и времени релаксации (которое влияет на то, как долго носители сохраняют движение до рассеяния). Параллельно с этим команда варьирует длину и ширину излучающей пластины. Пробегая эти четыре «ручки» — две геометрические и две связанные с материалом — в детальном инструменте моделирования, исследователи изучают, как каждая комбинация влияет на важные параметры производительности: сколько мощности отражается обратно (S11), насколько хорошо антенна согласована с её питанием (VSWR), насколько сильно она усиливает сигналы (усиление), насколько эффективно излучает, и как формируются её диаграммы направленности в горизонтальной и вертикальной плоскостях.

Когда машины изучают поведение антенны

Вместо того чтобы запускать дорогостоящие симуляции для каждой новой конструкции, учёные построили три модели машинного обучения — искусственную нейронную сеть, случайный лес и опорный векторный регрессор — чтобы выучить связь между этими четырьмя параметрами проекта и семью выходными характеристиками. Для начала они сгенерировали большой обучающий набор: 784 различных конфигурации антенны, каждая оценена на сотнях частотных точек, что дало богатые кривые и дифракционные картины. Эти данные были поданы в алгоритмы обучения, которые обучались и тестировались, чтобы проверить, насколько хорошо они могут предсказывать полное поведение новой конструкции антенны, которую они ранее «не видели». Нейронная сеть использует метод обучения, пригодный для умеренных объёмов данных, аккуратно избегая переобучения и улавливая сильно нелинейные зависимости.

Ускорение проектирования без потери точности

После обучения все три модели воспроизводят поведение моделированной антенны с высокой степенью достоверности, достигая коэффициентов детерминации (R²) примерно от 0.96 до 0.99 для большинства параметров. Нейронная сеть показывает лучшие результаты, достигая R² до 0.999 и выдавая предсказания примерно за 0.7 миллисекунды для заданной конструкции, по сравнению с гораздо большим временем, требуемым для полной электромагнитной симуляции. Она точно повторяет не только простые величины вроде усиления, но и детальные многополосные кривые и двумерные диаграммы направленности по всему терахерцовому диапазону. Подходы на базе случайного леса и опорных векторов также показывают хорошие результаты, но работают медленнее и несколько менее точны по сравнению с нейронной сетью.

Что это значит для будущих беспроводных систем

В практическом смысле эта работа показывает, что тщательно обученная нейронная сеть может заменить тяжёлые физические симуляции при проектировании графеновых терахерцовых антенн. Инженеры могут быстро исследовать, как изменения размеров антенны или свойств графена повлияют на усиление, эффективность и форму луча — всё в реальном времени, вместо того чтобы ждать новых симуляций каждый раз. Эта возможность имеет решающее значение по мере того, как исследователи движутся в сторону плотных решёток таких антенн для 6G, сверхкоротких сверхбыстрых каналов и продвинутого сенсинга. Хотя в исследовании рассматривается один пластинчатый элемент, тот же метод можно распространить на более сложные антеннные массивы, что потенциально превратит машинное обучение в стандартный инструмент для создания аппаратного обеспечения, которое будет нести поток данных завтрашнего дня.

Цитирование: Routhu, G., Abzal, S.M., Sarkar, M. et al. Predicting the performance of a graphene-based patch antenna using a machine learning model for terahertz applications. Sci Rep 16, 14622 (2026). https://doi.org/10.1038/s41598-026-44544-y

Ключевые слова: графеновые антенны, терахерцовая связь, проектирование с помощью машинного обучения, беспроводная связь 6G, микрополосковая пластинчатая антенна