基于卷积神经网络方法的超宽带端射沟槽半模波导（G-HMWG）天线的逆向设计

面向无线世界的智能天线

我们的手机、汽车和家用设备都依赖于一种称为天线的微小金属结构来发送和接收信号。随着我们对更高速数据、更精确雷达和更智能感测的需求增长，这些天线必须在保持小型和高效的同时覆盖更宽的频率范围。本文展示了如何将传统的天线工程与现代人工智能相结合，设计出一种紧凑且高性能的天线，适用于6–10 GHz频段的下一代无线和雷达系统。

端射天线为何重要

许多先进系统——例如用于汽车的短程雷达、运动感应设备以及点对点无线链路——需要将能量集中向一个主要方向发射，而不是向四周广播。此类天线称为端射天线，因为它们主要从一端发射，就像手电筒的光束。传统设计（包括经典的八木天线和若干现代变体）常常迫使工程师在三个关键特性之间权衡：高增益（强波束）、宽频带覆盖以及紧凑体积。提升一项通常会牺牲其他两项。早期设计要么只在窄频段内工作，要么需要较长的金属结构，或者只能提供有限的信号强度。

一种新型紧凑天线

作者关注一种称为沟槽半模波导的特殊结构。简单来说，它是一条沿长度方向引导电磁波的金属通道，一侧有精心开凿的沟槽。这些沟槽以受控方式减速并泄漏波能，使能量沿天线逐渐逸出，并在远端累积成一个强劲的波束。通过重复一个基本的“单元单元”——沟槽通道的小节段——他们组装出多单元天线，可通过调整少数几何参数来调谐：主要是每个沟槽的深度和沟槽之间的间距。把这些细节调对对塑造波束并在宽频带上保持稳定至关重要，但通过手工或穷举仿真探索所有可能组合极其耗时。

人工智能如何助力形状设计

研究者并未逐一扫描成千上万的设计选项，而是训练了一个一维卷积神经网络，这是一种广泛用于识别模式的深度学习模型。该网络的输入不是简单的摘要数值，而是完整的辐射图谱——天线在多个角度和频率上的辐射情况。网络从这些图谱中学习，预测将产生紧凑结构并在前方形成清晰波束所需的最佳沟槽深度和间距。为构建这一“逆向设计”工具，他们首先运行了约400次高精度电磁仿真，仅变化这两项关键尺寸。这些仿真构成训练集，教会网络形状变化如何影响波束，此后模型即可即时建议优化尺寸而无需进一步进行大量计算。

从虚拟设计到真实硬件

基于AI预测的几何参数，团队设计并制造出一款在6至10 GHz工作、常用于X波段雷达和超宽带链路的真实天线。最终器件体积显著紧凑——比可比的早期设计短约三分之一——但仍在端射方向保持强而高度定向的波束。测量结果显示，该天线能有效接受馈线的功率，峰值增益维持在约11 dBi以上，且旁瓣（其他角度的杂散波束）被很好地抑制。与此同等重要的是，主波束的形状在整个工作频段内保持稳定，解决了许多端射天线随频率变化而波束偏移的常见弱点。

对未来设备的意义

对非专业读者而言，核心信息是人工智能可以作为复杂电磁硬件设计的强大助手。通过从相对较少但精心挑选的仿真中学习，神经网络能够反向推断出实现所需辐射图所需的天线形状。这种方法将设计时间大幅缩短——相比传统试错优化可减少约90–95％——同时交付更小、更能干的天线。随着无线、雷达和感测系统的需求增长，诸如此类的AI驱动设计方法可帮助工程师快速开发定制天线，应用于从更智能的汽车到下一代通信链路的各类场景。

引用: Rezaei, M., Nooramin, A.S. Inverse design of an ultra-wideband endfire grooved half-mode waveguide (G-HMWG) antenna based on the CNN approach. Sci Rep 16, 11660 (2026). https://doi.org/10.1038/s41598-026-41442-1

关键词: 端射天线, 超宽带雷达, 波导技术, 人工智能天线设计, 卷积神经网络