ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРОЕКТИРОВАНИИ АНТЕНН НОВОГО ПОКОЛЕНИЯ

APPLICATION OF MACHINE LEARNING AND ARTIFICIAL INTELLIGENCE IN THE DESIGN OF NEXT-GENERATION ANTENNAS

Naronov Egor Yurevich

Student, Department of Electronics, Yuri Gagarin State Technical University of Saratov.

Russia, Saratov

АННОТАЦИЯ

В данной статье представлен обзор современных методов и подходов к проектированию антенных систем с применением технологий искусственного интеллекта (ИИ) и машинного обучения (МО). На основе актуальных публикаций рассмотрены основные подходы применения ИИ, от эвристических алгоритмов до глубокого обучения и генеративных моделей искусственного интеллекта. Анализ показывает, что применение систем на основе машинного обучения позволяет проектировать антенны, обеспечивающие хорошие параметры при минимизации времени симуляции, однако выявляют критические пробелы, связанные с необходимостью обеспечения прозрачности (доверенности ИИ) и защиты данных пользователей.

ABSTRACT

This article presents an overview of modern methods and approaches to antenna system design using artificial intelligence (AI) and machine learning (ML). Based on current publications, the main approaches to applying AI, from heuristic algorithms to deep learning and generative AI models, are examined. The analysis shows that the use of machine learning–based systems enables the design of antennas that deliver good performance while minimizing simulation time. However, it also reveals critical gaps related to the need to ensure transparency (AI trustworthiness) and user data protection.

Ключевые слова: машинное обучение, искусственный интеллект, проектирование антенн, оптимизация, 6G.

Keywords: machine learning, artificial intelligence, antenna design, optimization, 6G.

Введение

В настоящий момент бурное развитие беспроводных сетей поколения 5G и 6G, всё большее применение экосистем интернета вещей (IoT) и спутниковой коммуникаций предъявляют повышенные требования к проектированию антенных систем. Традиционные подходы к проектированию, основанные на электромагнитном моделировании, зачастую сопряжены с высокими вычислительными затратами и сложностью оптимизации с большим количеством параметров. В этом контексте инструменты на основе искусственного интеллекта (ИИ) становится основным методом, позволяющим автоматизировать процессы проектирования, оптимизации и отбора параметров антенн.

Целью данной статьи является разбор и анализ случаев современных методов применения ИИ в проектировании СВЧ–антенн, выявление взаимосвязей между различными алгоритмическими подходами и выявление проблемных мест, возникающих в процессе использования искусственного интеллекта. В работе рассматриваются как фундаментальные подходы (эволюционные алгоритмы), так и передовые методы (глубокое обучение и обучение с подкреплением), применяемые для решения задач проектирования микрополосковых и MIMO–антенн.

1. Методы проектировании антенн при помощи ИИ

Современные подходы применения искусственного интеллекта в проектировании антенн классифицируются по степени интеграции алгоритмов в процесс моделирования.

1.1. Метаэвристические и эволюционные алгоритмы

Эволюционные алгоритмы, такие как генетические алгоритмы (ГА), оптимизацию роем частиц (particle swarm optimization, PSO) [1] и относительно новые такие как синусно–косинусный алгоритм (Sine Cosine Algorithm, SCA) [2], являлись основными методами поиска оптимальных геометрических параметров. Эти подходы эффективно работают в многомерном пространстве поиска, тогда как традиционные градиентные методы часто застревают в локальных экстремумах. Например, совмещение алгоритмов, таких как SCA и метод оптимизации стаей больших волков (Grey Wolf Optimizer, GWO) [3], демонстрирует высокую надежность при проектировании антенн сложной конфигурации, таких как двойные Т–образные монополи.

1.2. Машинное и глубокое обучение (МО и ГО)

Применение методов машинного и глубокого обучения позволил перейти от простой оптимизации через подбор параметров к интеллектуальному прогнозированию характеристик и генеративному дизайну. Модели глубокого обучения, обученные на данных полученных с помощью программ моделирования электромагнитного излучения (таких, например, как CST Studio Suite и Ansys HFSS), способны предсказывать значения коэффициента усиления, полосы пропускания и характеристики изоляции бедующей антенны с минимально допустимой погрешностью.

Особое внимание уделяется регрессионным методам, таким как например eXtreme Gradient Boosting (XGB) [4], библиотека с открытым исходным кодом для машинного обучения, которые показывают высокую точность

(R² более 98%) при проектировании компактных терагерцовый MIMO–антенн. Применение данных методов позволяет сократить количество затратных с вычислительной точки зрения симуляций, что критически важно при проектировании высокочастотных антенн 6G.

2 Прикладные аспекты применения ИИ

Развитие современной микроволновой и терагерцовой инженерной электродинамики неразрывно связано с использованием искусственных периодических структур – метаматериалов и метаповерхностей, обеспечивающих беспрецедентный контроль над фазой, амплитудой и поляризацией электромагнитных волн. Интеграция методов глубокого обучения (ГО) в процесс их проектирования позволяет преодолеть ограничения классических численных методов, характеризующихся экспоненциальным ростом вычислительной сложности при увеличении числа элементарных ячеек.

2.1. Метаповерхности и новые топологии

Основными прикладными задачами, успешно решаемыми с помощью ГО, являются увеличение коэффициента усиления антенн, расширение рабочей полосы частот и минимизация габаритных размеров излучателей. На практике широкое распространение получили гибридные методологии оптимизации, сочетающие возможности нейросетевых моделей с традиционными глобальными эвристиками, такими как генетические алгоритмы (GA) и эволюционные стратегии. В рамках таких подходов модели глубокого обучения выступают в роли суррогатных предикторов, мгновенно оценивающих характеристики предложенных геометрий, в то время как эволюционные алгоритмы осуществляют направленный поиск в макропространстве параметров.

Помимо параметрической оптимизации фиксированных конфигураций, алгоритмы искусственного интеллекта активно применяются для генеративного дизайна принципиально новых топологий. Использование генеративно–состязательных сетей (generative adversarial network, GAN) и эволюционных алгоритмов позволяет осуществлять автоматический синтез геометрии поверхностей «с нуля», что приводит к созданию нетривиальных конфигураций метаструктур, не очевидных с точки зрения классической инженерной интуиции. Для обучения подобных генеративных и регрессионных моделей используются высокоточные наборы данных, формируемые на основе систем численного электромагнитного моделирования.

2.2. MIMO–системы для IoT и 5G/6G

Внедрение концепции крупномасштабного интернета вещей (IoT) и подготовка к развертыванию сетей связи шестого поколения (6G) формируют жесткие требования к пропускной способность, задержкам сигнала и энергоэффективности абонентских устройств, что влечет за собой необходимость повсеместного использования систем с множеством входов и выходов (MIMO). Основной инженерной трудностью при миниатюризации MIMO–архитектур является сильная взаимная связь между близко расположенными излучателями, приводящая к снижению КПД и искажению диаграммы направленности. Применение методов машинного обучения (МО) открывает новые возможности для оптимизации пространственного разделения элементов и геометрии щелевых структур без необходимости внедрения громоздких и сложных развязывающих цепей [5].

Рисунок 1. Этапы формирования геометрии щелевых структур

В области суб–6 ГГц для систем виртуальной реальности и мобильной связи эффективным решением под управлением ИИ является инверсный дизайн топологии антенных элементов. С использованием алгоритма оптимизации роем частиц (ОРЧ) формируются специализированные правила распределения щелевых паттернов. Сформулированная целевая функция в таких задачах ориентирована на минимизацию обратной величины полосы пропускания при строгом обеспечении уровня коэффициента отражения |S₁₁| ≤ –10 дБ и коэффициента передачи между портами |S₂₁| ≤ –20 дБ [6].

На примере двухэлементных MIMO–систем размером 24 × 48 мм² было доказано, что инверсный дизайн на базе ОРЧ позволяет эффективно разносить рабочие спектры: от 4,53 до 7,01 ГГц при ортогональном размещении элементов и от 3,95 до 5,15 ГГц при антипараллельной ориентации в свободном пространстве. При этом достигаются высокие показатели пространственного разнообразия – коэффициент огибающей корреляции (ECC) составляет менее 0,0173, среднее относительное усиление удерживается на уровне менее –6 дБ, а общие улучшение по усилению приближается к 10 дБ [7].

Рисунок 2. Пример генерации различных геометрий щелевых структур при одинаковых входных параметрах

При переходе к терагерцовому диапазону, который рассматривается как базовый для инфраструктуры 6G, методы машинного обучения становятся основным инструментом многокритериального анализа. Для обеспечения функционирования высокочастотных интеллектуальных сетей IoT была предложена концепция компактной двухдиапазонной 2 × 2 MIMO–антенны, содержащей два ортогонально позиционированных круглых паттерна с Т–образными щелями на полиимидной подложке, работающих на фундаментальной моде TM₁₀. Использование геометрии со щелевыми круговыми элементами вместо традиционных прямоугольных конфигураций позволило минимизировать утечку электромагнитного поля, стабилизировать радиационные характеристики и снизить взаимную связь в условиях компактного размера. Валидация результатов, полученных в программном комплексе CST Studio Suite и кросс–верифицированных в Ansys HFSS, показала, что оптимизированная с помощью МО антенна демонстрирует уровень изоляции портов до –32,2 дБ, максимальную полосу пропускания 2,08 ТГц на центральной частоте 5 ТГц и радиационную эффективность на уровне 87,43% [8].

Параллельно развиваются подходы к контролируемому обучению регрессионных моделей для прогнозирования параметров терагерцовых MIMO–антенн на базе графеновых паттернов и полиимидных подложек. В исследованиях отмечается успешное применение алгоритма экстремального градиентного бустинга (XGB) для предиктивного анализа эффективности и коэффициента усиления в широком частотном диапазоне от 1 до 5,4 ТГц. Модель обучается на комплексных датасетах, содержащих геометрические и материальные параметры в качестве входных признаков. Алгоритм XGB демонстрирует выдающуюся точность, достигая значений коэффициента детерминации (R²) на уровне 98%, при этом средняя абсолютная ошибка при прогнозировании радиационной эффективности составляет всего 1,62%. Использование таких моделей позволяет синтезировать антенны с пиковым коэффициентом усиления до 14,3 дБ, эффективностью 97,7% и межизлучательской изоляцией более 31 дБ. Для более простых конфигураций, таких как двойные Т–образные монопольные антенны, эффективным инструментом подбора конструктивных параметров выступает многослойный перцептрон (MLP), обучение которого форсируется гибридными метаэвристическими алгоритмами, объединяющими алгоритм синус–косинуса (SCA) и оптимизатор серого волка (GWO) [9].

3. Проблемы применения ИИ

Обзор литературы позволяет выделить ряд противоречий и проблем, ограничивающих повсеместное внедрение решений на основе искусственного интелекта.

Во–первых, наблюдается прямая зависимость качества моделей от объема и репрезентативности выборки для массивов обучающих данных. Несмотря на то, что использование суррогатных моделей ускоряет процесс, генерация «высококачественных» массивов данных остается трудоемкой задачей, требующей значительных вычислительных ресурсов для симуляции. Существует риск переобучения моделей на узких диапазонах данных, что снижает их универсальность для работы с другими конфигурациями антенн и частотных диапозонов [10].

Во–вторых, в работах подчеркивается важность взаимодействия и понимания между проектировщиком и моделью, интерпретацией. Большая часть существующих моделей функционирует как «черный ящик», что затрудняет физическую интерпретацию полученных решений. Это создает барьеры для сертификации, из–за их случайности и трудновоспроизводимости на практике, что затрудняет промышленное внедрение таких решений в критически важные системы связи [11].

В–третьих, вопросы доверия к результатам искусственного интеллекта становятся все более актуальными. В обзорах последних лет поднимается проблема уязвимости алгоритмов ИИ к состязательным атакам (adversarial attacks), искажения в исходных данных, которые человек не способен отследить, но которые существенно влияют на работу ИИ, что требует разработки методов защищенного обучения и федеративного обучения (FL), метод обучения при котором модели обучаются локально, без передачи данных на основной сервер.

Заключение

Интеграция ИИ в процесс проектирования антенн представляет собой необратимый процесс, ведущий к радикальному сокращению циклов разработки и повышению производительности систем 6G и IoT. Основными вехами развития на текущем этапе являются гибридизация эвристических методов с глубоким обучением, использование генеративных моделей для синтеза новых структур и применение суррогатных моделей для ускорения оптимизации.

Тем не менее, для дальнейшего развития области необходимо сосредоточить усилия на решении проблемы доверенности ИИ, повышении интерпретируемости моделей для пользователя и автоматизации сбора данных для обучения.

Список литературы:

1. Sarker N. Applications of machine learning and deep learning in antenna design, optimization, and selection: A review // IEEE Access. — 2023. — Т. 11. — С. 103890–103915.
2. Raj T. Advances in MIMO antenna design for 5G: A comprehensive review // Sensors. — 2023. — Т. 23. — № 14. — С. 6329-6348.
3. Saunders S.R., Aragón–Zavala A.A. Antennas and propagation for wireless communication systems. // John Wiley & Sons, 2024.
4. Sarker N., Kamruzzaman J., Khan M.M.S. Applications of machine learning and deep learning in antenna design, optimization, and selection: A review // IEEE Access. — 2023. — Т. 11. — С. 106093–106121. — DOI: 10.1109/ACCESS.2023.3320257. — URL: https://ieeexplore.ieee.org/document/10269004 (дата обращения: 09.07.2026).
5. Ahammed M.S., Ananta R.A., Tiang J.-J A high–gain THz microstrip patch antenna designed for IoT and 6G communications with predicted efficiency using machine learning approaches // Results in Engineering. — 2025. — Т. 25. — DOI: 10.1016/j.rineng.2025.103512. — URL: https://doi.org/10.1016/j.rineng.2025.103512 (дата обращения: 09.07.2026).
6. Shereen M.K., Khan M.I., Ullah S. Deep learning–driven design and optimization of metamaterial and metasurface antennas: A comprehensive review // Materials Today Electronics. — 2025. — Т. 13. — DOI: 10.1016/j.mtelec.2025.100162. — URL: https://doi.org/10.1016/j.mtelec.2025.100162 (дата обращения: 09.07.2026).
7. Xu W., Liu J., Bai T.–Q. The evolving landscape of AI–powered antenna design, optimization, and control: A comprehensive review // Alexandria Engineering Journal. — 2026. — Т. 65. — С. 123–145. — DOI: 10.1016/j.aej.2026.01.079. — URL: https://doi.org/10.1016/j.aej.2026.01.079 (дата обращения: 09.07.2026).
8. Ibrahim A., Ali H.A., Noshy M. Machine learning–driven optimization of a double T–shaped monopole antenna // Computers, Materials & Continua. — 2021. — Т. 69. — № 3. — С. 2975–2995. — DOI: 10.32604/cmc.2021.019114. — URL: https://doi.org/10.32604/cmc.2021.019114 (дата обращения: 09.07.2026).
9. Haque M.A., Ahammed M.S., Nirob M.J. Machine learning optimized compact dual–band 2×2 MIMO antenna for 6G massive–scale IoT environments // Journal of Materials Research and Technology. — 2025. — Т. 35. — С. 4153–4172. — DOI: 10.1016/j.jmrt.2025.04.153. — URL: https://doi.org/10.1016/j.jmrt.2025.04.153 (дата обращения: 09.07.2026).
10. Koziel S., Dabrowska A., Dou W. Unsupervised specification–driven topology development and dimension sizing of planar antennas // Electronics. — 2023. — Т. 12. — № 16. — DOI: 10.3390/electronics12163462. — URL: https://doi.org/10.3390/electronics12163462 (дата обращения: 09.07.2026).
11. Faruquee S.F.B., Bhuiyan H., Alam M.S. Swarm intelligence driven inverse design of slot patterns for sub–6 GHz 5G MIMO antennas in virtual reality applications // Engineering Science and Technology, an International Journal. — 2025. — Т. 64. — DOI: 10.1016/j.jestch.2025.102026. — URL: https://doi.org/10.1016/j.jestch.2025.102026 (дата обращения: 09.07.2026).