Компенсация искажённых диаграмм направленности плоских фазированных решёток на основе CNN

Как удерживать беспроводные сигналы на курсе

От спутникового интернета до радиолокации в аэропортах — многие из наиболее важных современных систем зависят от плоских панелей антенн, составленных из множества мелких излучающих элементов. Даже выход из строя одного такого элемента может исказить тщательно сформированный радиолуч, ослабив связи или размыв радарные изображения. В этом исследовании показано, как тип искусственного интеллекта — сверточная нейронная сеть — может быстро «залечивать» такие повреждённые лучи в программном обеспечении, помогая критическим системам продолжать работу без физического ремонта.

Почему важны сбои в плитках антенн

Современные фазированные решётки работают немного похоже на толпу на концерте, хлопающую в такт. Каждая маленькая антенная плитка добавляет свой сигнал в нужный момент, так что вместе они направляют энергию в выбранном направлении и подавляют её в других. Если одна плитка вдруг замолкает, это нарушает точную синхронизацию. Главный луч может отклониться от цели, его ширина увеличиться, а побочные лепестки вырасти, что приводит к потере мощности и помехам. В условиях, где починка аппаратуры затруднена или невозможна — например, на орбитальных спутниках или удалённых радиолокационных станциях — востребованы интеллектуальные методы компенсации таких отказов с земли.

Обучение нейронной сети распознавать формы луча

Авторы сосредотачиваются на небольшом, но реалистичном тестовом случае: квадратной панели из 4×4 патч-антенн, работающей на частоте, применяемой в новых системах связи. Предполагается, что один элемент вышел из строя, один используется как фиксированный эталон, а оставшиеся четырнадцать всё ещё можно подстраивать по фазе — то есть по времени пиков их волн. Вместо того чтобы подбирать настройки методом медленных переборов, команда обучает нейронную сеть, которая непосредственно рассматривает двумерное изображение луча в пространстве и предсказывает значения фаз, которые позволят выжившей части массива как можно точнее воспроизвести желаемую диаграмму.

Создание обучающего механизма

Для обучения сети исследователи сгенерировали 8000 моделируемых примеров дефектных панелей с помощью профессионального электромагнитного ПО. В каждом случае они случайным образом выбирали фазовые установки для четырнадцати управляемых элементов, вычисляли соответствующую диаграмму направленности и сохраняли как «изображение» этой диаграммы, так и исходные значения фаз. Эти пары изображение–фаза затем подавались в сверточную нейронную сеть — ту же семью моделей, что широко используются в распознавании изображений. Слой за слоем сеть научилась распознавать тонкие пространственные отпечатки, которые оставляют изменения фаз в форме луча, и отображать эти отпечатки обратно в точные значения фаз, их породившие.

Восстановление чистых лучей за доли секунды

После обучения модель применяется в обратном режиме: вместо того чтобы видеть дефектную диаграмму, ей показывают целевую, эталонную диаграмму, которую должен формировать массив. Сеть мгновенно выдаёт новый набор из четырнадцати фаз, которые частично отказавший массив может использовать, чтобы имитировать эту цель. При тестировании предсказанные фазы оказались точными до долей градуса для каждого элемента. Когда эти фазы применяли в моделях, восстановленные диаграммы очень близко совпадали с исходными: средняя ошибка в форме диаграммы уменьшилась примерно на треть по множеству тестовых случаев. Ключевые показатели антенны — направление луча, его ширина и уровень побочных лепестков — сдвинулись значительно ближе к здоровым значениям, а время обработки сократилось с минут, требовавшихся классическими методами поиска, до примерно двух десятых секунды на стандартной графической плате.

Что это значит для реальных систем

Пока что метод представляет собой доказательство работоспособности. Он предполагает конкретный размер массива, один вышедший из строя элемент и доступ к чистым, детальным измерениям диаграммы — условия, которые легче обеспечить в программной модели, чем на спутнике. Тем не менее, результаты ясно показывают, что нейронная сеть может выучить связь между тем, как повреждённая антенна излучает, и теми фазовыми корректировками, которые нужны для восстановления луча. С дальнейшей работой по учёту множественных отказов, различных конструкций панелей и реалистичных схем измерений подобные подходы могут дать системам связи и радарам эффективную форму самовосстановления, повышая надёжность без физического вмешательства в аппаратное обеспечение.

Цитирование: Djassem, B.M., Challal, M., Staraj, R. et al. CNN-based compensation of faulty planar phased-array radiation patterns. Sci Rep 16, 15528 (2026). https://doi.org/10.1038/s41598-026-46345-9

Ключевые слова: фазированные антенные решётки, формирование луча, компенсация отказов, сверточная нейронная сеть, диаграмма направленности