機械学習

Scientific Reports volume 13、記事番号: 12590 (2023) この記事を引用

325 アクセス

メトリクスの詳細

この研究では、5G アプリケーションの n78 帯域で動作する準八木宇田アンテナの性能を向上させるための機械学習 (ML) 技術の使用を調査した結果を紹介します。 この調査研究では、アンテナの性能を評価するために、シミュレーション、測定、RLC 等価回路モデルなどのいくつかの手法を調査します。 この研究では、CST モデリング ツールを使用して、5G 通信システム用の高利得、低リターンロスの八木・宇田アンテナを開発します。 アンテナの動作周波数を考慮すると、その寸法は \({0.642}\lambda _0\times {0.583}\lambda _0\) になります。 このアンテナの動作周波数は 3.5 GHz、リターン ロスは \(-43.45\) dB、帯域幅は 520 MHz、最大ゲインは 6.57 dB、効率はほぼ 97% です。 CST Studio のシミュレーションのインピーダンス解析ツールと Agilent ADS ソフトウェアの回路設計ツールは、アンテナの等価回路 (RLC) を導出するために使用されます。 教師あり回帰 ML 法を使用して、アンテナの周波数とゲインの正確な予測を作成します。 機械学習モデルは、分散スコア、R 二乗、平均二乗誤差、平均絶対誤差、二乗平均平方根誤差、平均二乗対数誤差などのさまざまな尺度を使用して評価できます。 9 つの ML モデルの中で、線形回帰の予測結果は共振周波数予測において他の ML モデルよりも優れており、ガウス過程回帰はゲイン予測において並外れたパフォーマンスを示します。 R-2 乗および var スコアは予測の精度を表し、周波数予測とゲイン予測の両方で 99% に近くなります。 これらの要素を考慮すると、このアンテナは 5G 通信システムの n78 帯域にとって優れた選択肢であると考えられます。

現在、サイズ、帯域幅、ゲインの点で増大する通信の課題に対処するために、新しいマイクロ波およびミリ波システムの需要が増加しています。 その結果、衛星通信の需要に合わせてアンテナが頻繁に使用されます。 さまざまな衛星通信アプリケーションがさまざまな周波数範囲で利用可能です1。 研究者はアンテナの帯域幅と利得を改善するために常に努力しています。 近年、技術の急速な発展により、先進国も発展途上国も非常に高いレベルで無線通信が導入されています2。 ここ数十年で、1G、2G、3G、4G、5G など、数多くの世代の無線通信規格が広く採用されてきました3、4、5。 第 5 世代のセルラー テクノロジー (5G) は、ギガビット/秒 (Gbps) 単位のデータ速度を提供し、以前のテクノロジーの欠点を実質的に排除します。 さらに、5G により低電力 IoT アプリケーションが可能になり、急速に拡大しています6,7。 5G 展開の主要な周波数帯域として、サブ 6 GHz 範囲 (2 ～ 6 GHz) は、特に N77、N78、および N79 帯域でカバレッジと容量の間で優れた安定性を示すことが期待されています8。

宇田信太郎と八木秀次は、八木・宇田アンテナとしても知られる八木アンテナの発明者です。 このアンテナは指向性があり、ダイポールと多数の寄生素子で構成されています。 寄生要素は、ダイポールの後ろに設定された 1 つの反射器と、ダイポール要素の前に設定された複数のダイレクタであり、これにより放射特性を向上させることができます。 信号を単一方向に集中させるため、指向性放射があり、他の送信機からの干渉の影響を受けにくくなります9。 八木宇田アンテナが普及した理由としては、その低価格、大きな利得、簡単な構造などがあります。 このアンテナの発明後の初期の主なユーザーはテレビでしたが、現在ではこのようなデバイスはレーダー、無線周波数識別、衛星通信などのさまざまな分野で使用されています10。 In11 では、RT Duroid 5880 を使用して、共振周波数 900 MHz、基板高さ 1.575 mm、特性インピーダンス 50 オーム、ストリップ導体の厚さ 35 \(\mu\) m でマイクロストリップ八木・宇田アンテナを構築しました。材料。 八木宇田アンテナの実装にはマイクロストリップ回路が使用されており、アンテナを小型で目立たないようにすることができます。 八木・宇田アンテナの 5 素子バージョンは、シミュレーション ソフトウェア FEKO を使用して 12 年に開発されました。 アンテナの中心周波数は 500 MHz で、450 ～ 550 MHz の範囲の信号を処理でき、最大アンテナ ゲインは 6.7 dB です。 In13 では、多数の準八木アンテナが給電方法に基づいてレビューされています。 一部の著者は、ダイレクタの数を増やすことによって八木宇田アンテナの利得が 14 ～ 17 dB になると報告しています。 八木・宇田アンテナの根本的な欠陥は帯域幅が狭いことです10,13。 地中レーダー (GPR) の 3 次元全波電磁シミュレーションは、人工知能に基づく埋設物の特性評価に使用されます。14 に示されています。 この研究では、埋設物の特性評価のための高速かつ正確なデータ駆動型サロゲート モデリング アプローチ、小さなトレーニング データセットを使用した計算効率の高いサロゲート モデル構築方法、および生の信号を使用する新しい深層学習方法である時間周波数回帰モデル (TFRM) を開発しました。前処理なしで競争力のある推定パフォーマンスを実現します。 指定されたメソッドは、多層パーセプトロン (MLP)、ガウス プロセス (GP)、サポート ベクター回帰マシン (SVRM)、および畳み込みニューラル ネットワーク (CNN) 回帰よりも優れています。 著者らは、周波数再構成可能なアンテナには独自の一般化可能なサロゲート モデリング アプローチがあると述べています15。 この手法では、CAD シミュレーションの離散データを後処理して代理モデルを生成します。 その後、調整可能なノッチ帯域を備えた再構成可能な UWB アンテナは、サロゲート モデリングが実用的で効果的かつ正確であることを示しています。 提案されたサロゲート モデルは、コグニティブ無線システムの再構成可能なアンテナ信号処理インターフェイス標準の有力な候補です。 小型マイクロ波コンポーネントは通常、全波電磁波 (EM) シミュレーションを使用して設計されます16。 サロゲート支援手順では、高速なデータ駆動型メタモデルを使用して、コストのかかる EM シミュレーションを置き換えます。 3 つのマイクロストリップ コンポーネントの検証研究では、提案されたアプローチが、代替製造精度と計算コストの点で、パフォーマンス主導のアプローチや標準モデリング プロセスよりも優れていることが示されています。 In17 では、著者らは、さまざまな設計目的関数を利用したサロゲート支援マイクロ波フィルタ設計について議論しています。 フィルター設計では、サロゲート モデリング (機械学習) と高度な最適化アルゴリズムが検討されます。 3 つの基本的なフィルター設計方法は、スマート データ サンプリング、高度なサロゲート モデリング、および高度な最適化フレームワークです。 成功と安定性を得るには、マイクロ波フィルターのパラメーターに合わせてカスタマイズまたはブレンドする必要があります。 最後に、新たなフィルター設計のアプリケーションとトレンドを検討します。 研究者は、サロゲート モデリングを使用して、MIMO アンテナを設計および最適化しました 18。 Microwave Studio と MATLAB 数値アナライザーは自動的に最適化します。 浅いニューラル ネットワークの最適化は、最適な TARC、S11、および S12 ソリューションを特定するために使用されます。 3.1 ～ 10.6 GHz の超広帯域 MIMO アンテナが構築され、提案されたアプローチをテストするために最適化されています。 機械学習テクノロジーを使用せずにアンテナを設計および保守することは困難です。 機械学習がなければ、アンテナ設計の加速が遅すぎます。 ML がなければ、エラーを低く抑え、生産性を高く保つことは困難です。 作業の実現可能性とアンテナ動作の計算を維持しながら ML シミュレーションを削減するための支援を持たないことは、困難な作業です 19。 機械学習は、適切に設計された 1 つ以上の機械学習モデルを使用して設計パラメーターを予測することで、メタマテリアル シミュレーションにおける試行錯誤を置き換えます。 2 つのことが予測精度に影響します。 主にデータセットのサイズ。 さらに、訓練用機械学習モデル２０． アンテナ由来のマテリアル アンサンブル アプローチでは、アンテナの帯域幅とゲインを推定します21。 このペーパーでは、提示された方法を SVM、ランダム フォレスト、K 近傍リグレッサー、およびデシジョン ツリー リグレッサーと比較します。 適応動的極バラ誘導最適化技術により、アンサンブル モデルの機能が最適化されます。 回帰研究では、提案されたモデルは他のモデルよりもアンテナの帯域幅とゲイン効率をより良く予測しました。 アンテナ仕様に基づいて、機械学習技術により反射係数を予測することができる（Ｓ１１）。 したがって、最適化の試行錯誤ループを防ぐことができます。 この研究22では、デシジョン ツリー、ランダム フォレスト、XGBoost 回帰、KNN、および ANN アルゴリズムが使用されました。 シミュレーション データセットは非線形であるため、非線形データの回帰を実行するためにこれらのアルゴリズムが選択されました。 この研究では、HFSS を使用したアンテナ シミュレーションの後、L 字型スロットの共振周波数、長さ、幅、厚さを取得します。 さまざまな ML アルゴリズムが値を予測します。 予測精度は、シミュレーションされた反射率係数と予測された反射率係数のR二乗スコアと平均二乗誤差(MSE)によって測定されます(S11)。 人工ニューラルネットワーク (ANN) を使用してアンテナ利得とトレーニング時間を予測する八木宇田アンテナが 23 で提案されています。 In23 では、MSE のみが予測精度メトリックとして使用され、MAE、MSLE、RMSLE、MAPE、RMSE、R-Square、および Var スコアは無視されました。 さらに、提案された ANN モデルの予測結果は、他の現在の ML モデルの予測結果と比較されていません。 別の研究 24 では、著者らは IoT の主要な通信形式の 1 つである周囲後方散乱を調査し、物理層保護のための機械学習ベースのアンテナ設計戦略を提案しました。 この研究における不正確さの程度を判断するために、研究者らは MSE、MAE、または RMSE として表される誤差の割合を計算しませんでした。 さらに、ML ベースのアンテナ設計に関するこれまでの論文の大部分では、分散スコアは定量化されていません。