基于集成GRM的高效可重构法布里–珀罗天线多性能预测方法

为拥挤频谱时代准备的智能天线

随着我们的手机、汽车和家庭在无线频谱上争夺空间，天线需要做的不仅仅是发送和接收信号。它们必须能够即时适应变化的环境，将波束指向所需用户同时抑制干扰，并且不能变得笨重或耗能过高。本文提出了一种快速、数据驱动的方法来设计一种特殊的“变形”天线——可重构法布里–珀罗天线，为未来通信系统带来更智能的无线硬件。

会改变“想法”的天线

传统天线通常为一项主要任务而建：固定的频段和基本不变的波束模式。在现代网络中，这种刚性成为一种负担。可重构天线通过让结构的关键部分在不同状态间切换来解决这一问题，从而改变无线波的反射或辐射方式。在法布里–珀罗天线中，馈源天线位于由许多小“单元单元”构成的部分反射表面下方。通过改变每个单元的状态——可采用注液通道、开关或智能材料等技术——天线可以在不进行机械运动的情况下控制波束或调整性能。

为什么暴力枚举会碰壁

设计这些可重构表面极具挑战性。每个微小单元可以处于开或关，也可以以多种方式调谐，而一个实用的表面可能包含数十到数百个单元。可能的组合数量呈爆炸性增长，且用完整电磁仿真测试每种配置非常耗时。工程师面临的问题是：需要一种高效的方法来预测任一给定单元状态模式将如何影响关键性能指标——例如天线与射频电路的匹配程度（回波损耗）、信号强度（增益）和波束指向（辐射模式）——而无需从头对每种可能性进行仿真。

在开关与信号之间的学习捷径

作者提出了一种广义回归模型（GRM），作为表面开关设置与由此产生的天线行为之间的智能捷径。他们将每个设计编码为简单的二进制字符串，“0”或“1”表示单元是否未激活或已激活。该字符串被输入到三组并行神经网络中，每组网络专用于预测一个性能方面：回波损耗、跨频率的增益以及辐射波束的形状。这些网络属于广义回归神经网络家族，之所以选择它们，是因为在只有适度数量的精心仿真样本时也能表现良好。

调优模型并反转问题

为使预测既准确又可靠，作者使用粒子群优化方法自动调整每个网络的内部参数，以在拟合已知数据与对新情况的泛化能力之间找到最佳平衡。随后他们通过递归“校正”过程对模型进行精炼，该过程迭代学习预测与高保真仿真之间的差距，直到误差低于设定阈值。有了这个正向模型，他们处理逆问题：不是问“这种模式会产生什么？”，而是问“哪些模式能满足我的性能目标？”。通过快速扫描和剪枝可能配置空间——丢弃任何违反简单回波损耗或波束方向约束的配置——该框架在无需在每一步都依赖高成本仿真的情况下定位到有前景的设计。

注液硬件的实测验证

为在实际硬件中验证该方法，团队使用了一种其反射表面包含充注去离子水的微通道的法布里–珀罗天线。改变被注满的通道会改变表面对无线波的反射方式。仅用涵盖多种激活模式的100个仿真样本，GRM就能比多种竞争的替代模型更准确地预测天线的回波损耗、增益和波束形状，而且计算成本仅为完整电磁求解器的一小部分。在逆向设计阶段，该模型能快速找到同时满足严格匹配要求和期望波束扫描角度的注液模式，且对制造原型的测量结果与预测高度一致。

通向灵活无线硬件的更快道路

简而言之，这项工作展示了如何用定制的机器学习模型替代成千上万次昂贵的物理仿真，为天线设计师提供一个强大的“计算器”，将智能表面上的开关模式直接映射到真实世界的性能。正如天气模型在无需测量每一朵云的情况下引导预报一样，GRM在无需模拟每一次波动的前提下引导天线配置。其结果是一个切实可行的路径，能够快速设计按需控制和塑造波束的天线，这一能力对未来的无线、雷达和传感应用愈发关键。

引用: Huang, Y., Liu, Z., Wang, D. et al. Integrated GRM-based efficient multi-performance prediction method for reconfigurable Fabry–Perot antennas. Sci Rep 16, 12492 (2026). https://doi.org/10.1038/s41598-026-42164-0

关键词: 可重构天线, 法布里–珀罗腔, 替代建模, 神经网络设计, 波束扫描