使用机器学习模型预测石墨烯基贴片天线在太赫兹应用中的性能

为何微小天线对未来网络至关重要

随着我们的手机、传感器和无线设备朝着更高的数据速率迈进，工程师们将目光投向太赫兹频段——其频率比现有 Wi‑Fi 高出千倍。在这些极端频段下，构建高效天线极为困难，每次仿真新的设计可能耗时数小时。本研究展示了如何将一种超薄材料石墨烯与机器学习相结合，用于设计紧凑的太赫兹天线，这些天线既高效又能在软件中快速优化，为未来 6G 及更远的网络铺平道路。

一种新型微小信号放大器

作者设计了一种由石墨烯（一层碳原子）制成的微观“贴片”天线，置于硅块上，另一层石墨烯作为接地。尽管天线尺寸仅为数十微米——比一根人类头发的宽度还小——该器件被设计用于 1 到 5 太赫兹的频段，这个频段对超高速无线链路、传感和成像具有吸引力。计算机仿真显示，这种紧凑器件在该频段内可支持 11 个不同的频带，最大增益约为 7.5 dBi，意味着就其尺寸而言能够相当有效地集中电磁能量。

调谐材料与几何形状

使该天线特别之处不仅在于其尺寸，还有可调性。石墨烯的电学特性可以通过改变两个关键参数来调节：化学势（控制载流子移动的难易）和弛豫时间（影响载流子在散射前保持运动的时间）。与此同时，团队还改变了辐射贴片的长度和宽度。通过在仿真工具中系统地扫描这四个旋钮——两个几何参数、两个材料参数——他们探索了每种组合如何影响重要的性能指标：反射回来的功率（S11）、天线与馈电的匹配程度（VSWR）、信号放大能力（增益）、辐射效率，以及其在水平和垂直方向上的波束展开情况。

让机器学习会“懂”天线行为

研究人员并非对每个新设计都运行昂贵的仿真，而是构建了三种机器学习模型——人工神经网络、随机森林和支持向量机——以学习那四个设计参数与七个性能输出之间的映射关系。他们首先生成了大量训练数据集：784 个不同的天线配置，每个在数百个频率点上进行评估，产生了丰富的曲线和辐射图。将这些数据输入学习算法，对其进行训练和测试，以评估它们在面对从未“见过”的新天线设计时预测完整行为的能力。神经网络采用了适合中等规模数据量的训练方法，谨慎避免过拟合，同时捕捉高度非线性的趋势。

加速设计而不牺牲精度

训练完成后，三种模型都能高保真地再现仿真得到的天线行为，大多数参数的决定系数（R²）在约 0.96 到 0.99 之间。神经网络表现最佳，最高可达到 0.999 的 R²，并能在大约 0.7 毫秒内对给定设计给出预测，而完整的电磁仿真则需要更长时间。它不仅准确匹配诸如增益等简单数值，还能拟合多频段曲线和跨太赫兹频段的二维辐射图。随机森林和支持向量机的表现也很好，但相对神经网络而言速度更慢、精度略低。

对未来无线系统的意义

从实用角度看，这项工作表明，经过精心训练的神经网络能够在设计石墨烯基太赫兹天线时替代耗时的物理仿真。工程师可以实时快速地探索天线尺寸或石墨烯属性的微调如何影响增益、效率和波束形状，而不必每次都等待新的仿真结果。随着研究者向这些天线的密集阵列、短距离超高速链路和先进传感推进，这种能力至关重要。尽管本研究聚焦于单一贴片，但相同方法可扩展到更复杂的天线阵列，有望将机器学习变成设计将承载未来数据洪流的硬件的标准工具。

引用: 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

关键词: 石墨烯天线, 太赫兹通信, 机器学习设计, 6G 无线, 微带贴片天线