Terahertz uygulamaları için makine öğrenmesi modeli kullanarak grafen bazlı bir yama antenin performansını öngörme

Yarınki ağlar için küçük antenler neden önemli

Telefonlarımız, sensörlerimiz ve kablosuz cihazlarımız daha yüksek veri hızlarına doğru ilerlerken, mühendisler terahertz bandına—bugünkü Wi‑Fi’den bin kat daha yüksek frekanslara—göz dikiyor. Bu uç frekanslarda verimli antenler tasarlamak çok zorlaşır ve her yeni tasarımın simülasyonu saatler alabilir. Bu çalışma, grafen adı verilen ultra ince bir malzeme ile makine öğrenmesini birleştirerek, hem güçlü hem de yazılımda hızlıca optimize edilebilen kompakt terahertz antenlerin nasıl tasarlanabileceğini gösteriyor; bu da geleceğin 6G ve ötesi ağlarına zemin hazırlıyor.

Yeni tür bir mikro sinyal güçlendirici

Yazarlar, tek bir karbon atomu tabakası olan grafenden yapılmış mikroskobik bir “yama” anten tasarlıyor; bu yama, üzerinde başka bir grafen katmanının toprak olarak görev yaptığı bir silisyum bloğunun üzerine yerleştiriliyor. İnsan saçının genişliğinden daha küçük—sadece onlarca mikrometre çapında—olmasına rağmen, anten 1 ile 5 terahertz arasında çalışacak şekilde tasarlanıyor; bu aralık ultra yüksek hızlı kablosuz bağlantılar, algılama ve görüntüleme için cazip. Bilgisayar simülasyonları bu kompakt cihazın söz konusu aralık içinde 11 ayrı frekans bandını destekleyebildiğini ve yaklaşık 7.5 dBi’ye kadar maksimum kazanç elde edebildiğini gösteriyor; bu da boyutuna göre radyo enerjisini oldukça etkin şekilde yoğunlaştırdığını ifade ediyor.

Malzemeyi ve şekli ayarlamak

Bu anteni özel kılan yalnızca boyutu değil, aynı zamanda ayarlanabilir oluşu. Grafenin elektriksel davranışı iki ana özellik değiştirilerek ayarlanabiliyor: kimyasal potansiyel (yük taşıyıcıların ne kadar kolay hareket ettiğini kontrol eder) ve rahatlama zamanı (taşınan yüklerin saçılmadan önce ne kadar süre hareket etmeye devam ettiğini etkiler). Bunlara ek olarak, yayıcı yamanın uzunluğu ve genişliği de değiştiriliyor. Bu dört düğmeyi—iki geometrik, iki malzeme temelli—ayrıntılı bir simülasyon aracında tarayarak, her kombinasyonun önemli performans ölçütlerini nasıl etkilediği keşfediliyor: ne kadar gücün geri yansıtıldığı (S11), antenin beslemeye ne kadar iyi eşlendiği (VSWR), sinyalleri ne kadar güçlendirdiği (kazanç), ne kadar verimli radyasyon yaptığı ve ışınımın yatay ve dikey yönde nasıl yayıldığı gibi.

Makinelerin anten davranışını öğrenmesine izin vermek

Her yeni tasarım için pahalı simülasyonlar çalıştırmak yerine, araştırmacılar bu dört tasarım düğmesi ile yedi performans çıktısı arasındaki bağı öğrenmek üzere üç makine öğrenmesi modeli—yapay sinir ağı, rastgele orman ve destek vektör makinesi—kuruyor. Önce geniş bir eğitim seti üretiyorlar: her biri yüzlerce frekans noktası için değerlendirilen 784 farklı anten konfigürasyonu, zengin eğriler ve ışınım desenleri veriyor. Bu veriler öğrenme algoritmalarını besliyor; algoritmalar, daha önce “görmedikleri” yeni bir anten tasarımının tam davranışını ne kadar iyi tahmin edebildiklerini görmek için eğitilip test ediliyor. Sinir ağı, mütevazı veri boyutlarına uygun bir eğitim yöntemi kullanıyor; aşırı uyumdan özenle kaçınırken yüksek derecede doğrusal olmayan trendleri yakalıyor.

Tasarlamayı hızlandırırken doğruluktan ödün vermemek

Eğitildikten sonra, üç modelin tamamı simüle edilmiş anten davranışını yüksek sadakatle yeniden üretiyor; çoğu parametre için belirleme katsayıları (R²) yaklaşık 0.96 ile 0.99 arasında elde ediliyor. Sinir ağı en iyi performansı gösteriyor, R² değerini 0.999’a kadar çıkarıyor ve bir tasarım için tahminleri yaklaşık 0.7 milisaniyede sunuyor; oysa tam bir elektromanyetik simülasyon çok daha uzun sürüyor. Model sadece kazanç gibi basit sayıları değil, aynı zamanda terahertz bandı boyunca çok bantlı eğrileri ve iki boyutlu ışınım desenlerini de doğru şekilde eşliyor. Rastgele orman ve destek vektör yaklaşımları da iyi performans gösteriyor, ancak sinir ağına göre daha yavaş ve biraz daha az hassaslar.

Geleceğin kablosuz sistemleri için anlamı

Pratik açıdan bu çalışma, dikkatle eğitilmiş bir sinir ağının grafen tabanlı terahertz antenleri tasarlarken ağır fizik simülasyonlarının yerini alabileceğini gösteriyor. Mühendisler anten boyutu veya grafenin özelliklerinde yapılan değişikliklerin kazanç, verim ve ışın şekli üzerindeki etkilerini, her seferinde yeni simülasyon beklemek yerine gerçek zamanlı olarak hızla keşfedebilecekler. Bu yetenek, araştırmacılar böyle antenlerden oluşan yoğun dizilere, kısa menzilli ultra hızlı bağlantılara ve gelişmiş algılama çözümlerine yönelirken kritik önem taşıyor. Bu çalışma tek bir yamanın üzerinde yoğunlaşsa da, aynı yöntem daha karmaşık anten dizilerine genişletilebilir ve makine öğrenmesini yarının veri selini taşıyacak donanımı tasarlamada standart bir araç haline getirebilir.

Atıf: 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

Anahtar kelimeler: grafen antenler, terahertz iletişimleri, makine öğrenmesi tasarımı, 6G kablosuz, mikroşerit yama anten