Антенная матрица с пониженной размерностью для формирования и наведения луча

Почему важно формировать радиоволны

От смартфонов 5G и Wi‑Fi‑роутеров до спутниковых каналов и автономных автомобилей — наш мир работает на невидимых лучах радиоволн и света. Точное наведение этих лучей — чтобы энергия доходила только туда, где она нужна — необходимо для быстрой, надежной и энергоэффективной связи. В этой статье представлен новый способ создания «умных» антенн, способных управлять направлением луча при значительно меньшем числе электронных управляющих компонентов, что потенциально делает будущие сети дешевле, легче и менее энергоёмкими.

Как антенны учатся наводиться

Традиционные антенны излучают во всех направлениях, тратя энергию впустую и принимая нежелательные помехи. Формирование луча решает эту проблему с помощью множества мелких элементов антенны, работающих совместно. Подавая на каждый элемент точно подобранную задержку (или фазу) и амплитуду, их волны складываются в одном предпочитаемом направлении и гасятся в других. Это создаёт мощный, управляемый луч, который может сопровождать пользователей, разделять несколько потоков данных и лучше обнаруживать объекты в системах радаров и LiDAR. Загвоздка в том, что в классической фазированной решётке каждый элемент требует собственного настраиваемого фазовращателя и часто собственного усилителя. По мере роста числа элементов до сотен и тысяч — как это предполагается для 6G и спутниковых систем — аппаратные средства, стоимость и энергопотребление становятся огромными.

Больше возможностей при меньшем числе регуляторов

Авторы решают проблему масштабирования, рассматривая задачу наведения луча как своего рода задачу сжатия данных. Вместо того чтобы регулировать каждый элемент антенны отдельно, они сначала описывают все настройки, необходимые для множества направлений луча, в виде большой матрицы. Затем применяют математический инструмент сингулярного разложения (SVD), чтобы найти гораздо меньший набор «базовых паттернов», которые можно смешивать для восстановления этих лучей с незначительными ошибками. В их системе Dimensionality‑Reduced Cascaded Angle Offset Phased Array (DRCAO‑PAA) каждый базовый паттерн закреплён в аппаратуре, а лишь небольшое число изменяемых контроллеров определяет, в какой степени используется тот или иной паттерн. По сути, несколько интеллектуальных ручек заменяют десятки или даже сотни отдельных регулировок.

Умная оптимизация и помощь ИИ

Одного сжатия матрицы недостаточно: оставшиеся паттерны также должны быть практичны для реализации в аппаратуре. Если какой‑то паттерн требует экстремально высокого усиления или очень тонкой фазовой точности, его трудно или дорого реализовать. Чтобы избежать этого, команда использует метод оптимизации, вдохновлённый стайными движениями птиц — particle swarm optimization — для поиска таких базовых паттернов, которые сохраняют малые ошибки луча при реалистичных требованиях к усилению и фазовым диапазонам. Затем они делают ещё один шаг и обучают модель глубокого обучения на базе Transformer — сходную по духу с теми, что используются в современных языковых ИИ — чтобы быстро предсказывать хорошие базовые паттерны для разных размеров массива и диапазонов сканирования. Это позволяет инженерам получать почти оптимальные проекты за секунды вместо многократных тяжеловесных численных поисков.

От теории к рабочему оборудованию

Чтобы доказать, что концепция — это не только математика, исследователи собрали миллиметроволновую печатную плату, работающую на 28 гигагерцах, ключевой полосе для 5G и далее. Плата использует коммерческие чипы‑формирователи луча, расположенные в трёх слоях — входы, средний маршрутный слой и выходы — для реализации фиксированных базовых паттернов и настраиваемых смесительных контролей. С такой схемой они показывают, что 16‑элементная решётка может сканироваться в диапазоне 0–30° с использованием только 4 активных управляющих путей вместо 16, а 8‑элементная решётка — всего с 3 парами контроллеров. В безэховой камере 4‑элементная антенная решётка управляется лишь 2 фазовращателями и 2 переменными усилителями, при этом луч плавно вращается на несколько градусов, а ошибки наведения остаются небольшой долей от общего диапазона сканирования.

Что это значит для будущих сетей

Проще говоря, эта работа показывает, что большие управляемые антенные решётки не всегда требуют одного‑к‑одному соответствия между элементами антенны и дорогой управляющей электроникой. При аккуратном повторном использовании небольшой библиотеки заранее разработанных паттернов и их смешивании в нужных пропорциях можно сократить число активных контроллеров на 75–87,5% при сохранении полезных характеристик наведения. Такое сокращение означает меньшую стоимость, меньшее энергопотребление и более простую аппаратуру — преимущества, критичные для плотных базовых станций 6G, массивных спутниковых созвездий и компактных систем обнаружения. Хотя текущие эксперименты ориентированы на линейные решётки, та же идея компрессии матриц может быть расширена до двумерных панелей для полноценного 3D‑сканирования, открывая путь к будущим коммуникационным и сенсорным устройствам, которые будут и умнее, и экономичнее.

Цитирование: 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

Ключевые слова: формирование луча, фазированные решетки, связь 6G, спутниковые каналы, дизайн антенн