Metamaterial asistido por aprendizaje automático

Scientific Reports volumen 12, número de artículo: 12354 (2022) Citar este artículo

3653 Accesos

11 citas

4 altmétrico

Detalles de métricas

El diseño de antenas ha evolucionado desde diseños más voluminosos a diseños portátiles más pequeños, pero existe la necesidad de un diseño de antena más inteligente que utilice algoritmos de aprendizaje automático que puedan satisfacer la creciente demanda actual de dispositivos inteligentes y rápidos. En esta investigación, el enfoque principal es desarrollar un diseño de antena inteligente utilizando el aprendizaje automático aplicable en aplicaciones móviles 5G y aplicaciones portátiles Wi-Fi, Wi-MAX y WLAN. Nuestro diseño se basa en el concepto de metamaterial en el que el parche se trunca y se graba con un resonador de anillo dividido (SRR). El requisito de alta ganancia se cumple agregando superestratos de metamaterial que tienen alambres delgados (TW) y SRR. La reconfigurabilidad se logra agregando tres interruptores de diodo PIN. Se han observado múltiples diseños agregando capas de superestrato que van desde una capa hasta cuatro capas con TW y SRR intercambiables. El diseño de superestrato de metamaterial TW con dos capas ofrece el mejor rendimiento en ganancia, ancho de banda y número de bandas. El diseño se optimiza cambiando los parámetros físicos del camino. Para reducir el tiempo de simulación, se utiliza un modelo de aprendizaje automático basado en regresión de árbol adicional para conocer el comportamiento de la antena y predecir el valor de reflectancia para una amplia gama de frecuencias. Los resultados experimentales demuestran que el uso del modelo basado en regresión de árbol adicional para la simulación del diseño de antenas puede reducir el tiempo de simulación y los requisitos de recursos en un 80%.

El desarrollo de antenas ha evolucionado desde diseños más voluminosos hasta diseños portátiles de bajo peso. Se requiere un diseño miniaturizado que tenga un peso y un tamaño reducidos para su uso en dispositivos portátiles. Los diseños de antenas miniaturizadas tienen el inconveniente de una ganancia menor, que es necesario investigar. Este inconveniente puede superarse incorporando metamateriales en el diseño de la antena1. Hay varios intentos de mejorar la ganancia incorporando metamateriales, aplicando meandros, etc., pero todavía hay margen para mejorar esto aún más utilizando técnicas similares. Además, se requiere que la reconfiguración sea aplicable en múltiples aplicaciones como WiMAX, WLAN, 5G, etc.2,3. Esta reconfiguración se puede realizar aplicando conmutación con interruptores RF MEMS, diodos PIN, etc.4,5.

Los metamateriales son materiales artificiales que confieren propiedades como permitividad negativa y permeabilidad que mejoran varios parámetros de la antena6. SRR y TW son las dos estructuras efectivas que se utilizan ampliamente para incorporar metamateriales en el diseño de antenas. También se utiliza un SRR complementario para grabar el plano de tierra, lo que mejora diferentes parámetros de la antena de parche8. Yuan et al. presentó una fase asistida por quiralidad con avances prometedores en antenas de haz reconfigurables9. Zhang y sus coautores desarrollaron dos generadores de haces de vórtice con posible aplicación en sistemas de comunicación de momento angular orbital10. Las antenas de metamaterial son aplicables en varias aplicaciones como wi-fi, WLAN, Wi-MAX, dispositivos portátiles, etc. Los metamateriales también son útiles para lograr escaneo de haz, mejorar la ganancia, reducir el tamaño, operación multifrecuencia, etc. El superestrato de metamaterial se agrega a un Antena de parche de microcinta simple para mejorar la ganancia de la antena11. La antena Vivaldi cargada con metamaterial con su capacidad de alta ganancia se puede emplear para aplicaciones de imágenes12. Las antenas cargadas con metamateriales se utilizan en el diseño de dispositivos portátiles13,14. El escaneo del haz de radiación es muy importante en el diseño de antenas y este escaneo se puede lograr mediante antenas metamateriales15. El tamaño de la antena también se puede reducir cargando metamateriales en la antena16.

Se puede utilizar metamaterial superestrato para mejorar la ganancia de la antena. Los superestratos se apilan encima del parche de microcinta uno tras otro para mejorar la ganancia y mejorar el comportamiento de radiación de la antena. Saravanan et al. presentó una antena superestrato asistida por metamaterial para aplicaciones inalámbricas modernas que alcanza la ganancia más alta de 7,94 dB con un coeficiente de reflexión de −28,64 dB a 2,4 GHz17. Patel y sus coautores fabricaron una estructura basada en microcinta con ganancia mejorada que puede utilizarse como bloque unitario de un sistema de radar para aplicaciones de vigilancia18. Ojo et al. informó sobre una antena MIMO para mejorar la ganancia y el ancho de banda y el ancho de banda mejoró en un 12,45%19. Sumathi y sus coautores diseñaron una antena de parche de microcinta basada en superestrato de metamaterial con diodos pin como mecanismo de conmutación para aplicaciones en dispositivos de red inalámbrica para C/X/Ku-band20.

La conmutación se puede aplicar a estructuras de antena incorporando diodos PIN. Estos diodos PIN pueden estar "encendidos" o "apagados" para lograr la reconfiguración en frecuencia y patrón de radiación. Debido a su baja pérdida de inserción, bajo costo, fuertes características de conmutación y alto aislamiento, los diodos PIN son la mejor opción para antenas reconfigurables21. Para proporcionar reconfigurabilidad, se puede usar un diodo PIN para vincular diferentes partes del parche para modificar la longitud de la ranura. Para obtener una mejor respuesta de ganancia, también se emplea un parche de diferente forma22,23. Debido a su tamaño más pequeño, mejor ganancia y tipo similar de patrón de radiación, la antena reconfigurable se utiliza más comúnmente que la antena multibanda24. Se utilizan dos diodos PIN para crear una antena reconfigurable que proporciona alta ganancia, bajas pérdidas de retorno y un excelente patrón de radiación para aplicaciones WiMax/WiFi25. Se comparan y estudian los resultados de antenas de píxeles, dando como resultado una respuesta en frecuencia satisfactoria26,27. Para generar un patrón adecuado, se pretende que el diodo PIN único actúe en dos modos distintos a diferentes frecuencias. Se emplean en elementos como sistemas de radio cognitivos, aplicaciones satelitales, aplicaciones biomédicas y filtros, entre otras aplicaciones28,29. Al activar/desactivar las ranuras, se puede cambiar el patrón de radiación. Las antenas reconfigurables son pequeñas y sencillas de fabricar30.

El aprendizaje automático (ML) se puede aplicar para predecir o pronosticar el comportamiento de diferentes parámetros de sistemas electrónicos y fotónicos. ML también se puede utilizar para observar, predecir y pronosticar la respuesta de reflectancia de los dispositivos fotónicos31,32,33,34. Misilmani revisó aplicaciones de ML para diseños de antenas utilizando modelos de regresión35. Bessa y sus coautores también aplicaron ML para el diseño de metamateriales para la adaptación de las características del objetivo, la selección del material base y el proceso de fabricación36. Deringer informa cómo ML permite el acceso a simulaciones esenciales que alcanzan niveles iguales de precisión pero son cientos de veces más rápidas37.

En este artículo, desarrollamos un nuevo diseño de antena basado en ML que no solo brinda reconfiguración, alta ganancia y respuesta multibanda, sino que también predice el comportamiento de la antena utilizando algoritmos de ML. Hemos presentado el diseño y su modelado en el Apartado. 2. Los resultados medidos y de simulación se presentan y comparan con los resultados de fabricación en la Sección. 3. La predicción del comportamiento de ML para reducir la necesidad de tiempo de simulación está disponible en la Sección. 4 tras las observaciones finales de la sec. 5.

Hemos propuesto varias estructuras de antena superestrato y su representación se muestra en la Fig. 1. Múltiples estructuras que incluyen una estructura de una sola capa de 6 × 5 TW, una estructura de doble capa de 6 × 5 TW, una estructura de triple capa de 6 × 5 TW, una estructura de cuatro capas de 6 × 5 TW Se ha diseñado la estructura de capas. La capa base en todos estos diseños es común, que es una estructura de parche basada en anillos divididos. La vista 3D y la vista aérea de la estructura de parche basada en anillo dividido con los interruptores S1, S2 y S3 están disponibles en la Fig. 1a y la Fig. 1b. El modelo de diodo PIN se presenta en material complementario como la Fig. S17 y sus propiedades se toman de20. El punto de alimentación también se demuestra en la Fig. 1b. Como se muestra en la Fig. 1a, la estructura de parche basada en anillo dividido y la capa de tierra de la antena de parche se fabrican con material de cobre y el sustrato es de material Fr4. El espesor de la capa de suelo y la estructura SRR es de 0,35 mm. El espesor de la capa de sustrato Fr4 es de 1,5 mm. La longitud total y el ancho de la estructura, L y W, son 84 mm y 64 mm, respectivamente. La longitud y el ancho de una antena de parche, PL y PW, son 74 mm y 54 mm, respectivamente. La longitud interior y exterior de la estructura de parche de anillo dividido, X1 y X2, se mantiene en 25 mm y 15 mm, respectivamente. La distancia entre anillos divididos del SRR se mantiene en 3 mm. La distancia entre la capa de parche y la primera capa de superestrato, DL, es de 10 mm y luego la distancia entre dos capas de superestrato consecutivas, DC es de 6 mm, como se presenta en la Fig. 1f. La estructura de doble capa de 6 × 5 TW y de cuatro capas de 6 × 5 TW se representan en la Fig. 1c, e, respectivamente. El diámetro D del círculo TW es de 2,5 mm como se ilustra en la figura 1h. Además de esto, también hemos diseñado la estructura SRR de tres capas seguida de la antena de parche basada en anillo dividido como se muestra en la Fig. 1d. La dimensión del espesor del sustrato y la estructura del parche se mantienen constantes. El ancho de SRR, WS es de 3 mm y la distancia entre dos SRR, DS consecutivos es de 3 mm, como se muestra en la Fig. 1g. La separación del anillo partido y el espesor del SRR se mantienen en 3 mm y 0,35 mm, respectivamente. La distancia entre dos TW horizontales y verticales consecutivas es de 12 nm y 10 nm, respectivamente. Para soportar las cajas huecas impresas en 3D multicapa del espesor correspondiente, se fabrican y utilizan con fines de prueba. Para estas cajas de soporte se selecciona material con base plástica para evitar intromisiones en el campo radiante de la antena. Para lograr la reconfigurabilidad de la frecuencia, empleamos un diodo PIN como interruptor para modificar la distribución de carga en el parche. Para la excitación del diseño propuesto se emplea una alimentación coaxial. El diodo de tres PIN une dos piezas del área del parche y se coloca en el medio de las líneas en forma de C.

Varias estructuras de diseños de antena propuestos (a) estructura de parche con interruptores formulados con la ayuda de diodos pin, (b) vista superior de la estructura de parche (c) vista 3D de una estructura de doble capa de 6 × 5 TW seguida de una capa de parche, (d ) Vista 3D de SRR de tres capas seguida de una capa de parche, (e) Vista 3D de una estructura de cuatro capas de 6 × 5 TW seguida de una capa de parche, (f) Vista frontal de SRR de tres capas seguida de una capa de parche, (g) vista superior de SRR, (h) vista superior de la capa de 6 × 5 TW.

El coeficiente de reflectancia (S11) y el coeficiente de transmitancia (S21) juegan un papel importante para determinar la impedancia de onda (z) y el índice de refracción (n) como se describe en las Ecs. (1–2). Las ecuaciones de permitividad (\(\varepsilon\)) y permeabilidad (\(\mu\)) del metamaterial se proporcionan en las ecuaciones. (3–4) derivada de la impedancia y el índice de refracción.

donde el número de onda está representado por k, el espesor de la capa se denota por d.

Nuestro diseño se basa en el concepto de metamaterial en el que el parche se trunca y se graba con un SRR que es la capa base común para las seis estructuras de superestrato de antena. El requisito de alta ganancia se cumple agregando superestratos de metamaterial que tienen TW y SRR. Las propiedades del metamaterial del patrón TW de 6 × 5 de una sola capa se presentan en material complementario como la Fig. S18 y es visible que el índice de refracción de esta capa logra el índice de refracción negativo que valida las características del metamaterial. La reconfigurabilidad se logra agregando tres interruptores de diodo PIN S1, S2 y S3 con sus gráficos en la Fig. 2 para dos modos (ENCENDIDO y APAGADO). La antena desarrollada se observa para 1 a 7 GHz y, para simplificar y aclarar el análisis de reconfiguración, hemos dividido los resultados en tres bandas de frecuencia, como podemos observar en las figuras 2a a c. De 1,3 a 1,8 GHz, para el modo apagado, se logra la respuesta de reflectancia más alta de −25,27 dB a 1,539 GHz, y para el modo encendido, la frecuencia se reconfigura a 1,569 GHz y la respuesta de reflectancia también se mejora a −27,11 dB como se muestra en la Fig. 2a. De 1,9 a 2,1 GHz, logramos una reflectancia de -17,79 dB a 2,006 GHz para el modo encendido, y la reflectancia mejorada de -24,82 dB a una frecuencia reconfigurada de 2,022 GHz se logra para el modo apagado, como se informa en la Fig. 2b. Para el modo de apagado de 2,2 a 2,6 GHz, logramos la respuesta de reflectancia más alta de −16,23 dB a 2,348 GHz, y para el modo de encendido, la frecuencia se reconfigura a 2,434 GHz y la respuesta de reflectancia también se mejora a −17,99 dB como se muestra en la figura 2c.

Resultados simulados de respuesta de reflectancia (S11) para escenarios de conmutación de diodos de tres pines de 1,9 GHz a 5,4 GHz (a) de 1,3 GHz a 1,8 GHz, la frecuencia se reconfigura de 1,539 GHz a 1,569 GHz (b) de 1,9 GHz a 2,1 GHz, la frecuencia se reconfigura de 2.006 GHz a 2.022 GHz (c) para 2.2 GHz a 2.6 GHz, la frecuencia se reconfigura de 2.348 GHz a 2.434 GHz.

Para este trabajo de investigación, hemos realizado la simulación de seis estructuras de antena. Se han observado múltiples diseños agregando capas de superestrato que van desde una capa hasta cuatro capas con TW y SRR intercambiables. La primera estructura es una capa única de 6 × 5 TW colocada sobre una capa base de estructura de parche basada en SRR y los otros tres diseños se diseñan aumentando consecutivamente la capa del patrón 6 × 5 TW hasta cuatro capas una por una manteniendo la capa base. mismo. La respuesta de reflectancia de 6 × 5 TW con una estructura de superestrato de una a cuatro capas se presenta en la Fig. 3a, c, e, g.

Resultados simulados de la respuesta de reflectancia (S11) y gráfico polar de ganancia 3D para varias estructuras de superestrato (a) para una estructura de superestrato de una sola capa de 6 × 5 TW, se obtienen cinco bandas de frecuencia, (b) una estructura de superestrato de una sola capa de 6 × 5 TW con ganancia de 3,58 dB, (c) para una estructura superestrato de doble capa de 6 × 5 TW, se obtienen seis bandas de frecuencia, (d) para una estructura superestrato de doble capa de 6 × 5 TW con ganancia de 15,57 dB, (e) para una estructura superestrato de triple capa de 6 × 5 TW, se obtienen cinco bandas de frecuencia, (f) estructura de superestrato de triple capa de 6 × 5 TW con ganancia de 12,37 dB, (g) para una estructura de superestrato de cuatro capas de 6 × 5 TW, se obtienen 5 bandas de frecuencia. (h) Estructura superestrato de cuatro capas de 6 × 5 TW con ganancia de 7,71 dB.

La respuesta de reflectancia de la estructura de superestrato de capa única de 6 × 5 TW se informa en la Fig. 3a y, como podemos observar, obtenemos cinco bandas y la respuesta de reflectancia más alta alcanzada es - 24,05 dB a 1,568 GHz con el ancho de banda más alto de 100 MHz. Para la estructura de superestrato de doble capa de 6 × 5 TW, la reflectancia es de - 27,07 dB a 1,07 GHz con las seis bandas de frecuencia y el ancho de banda más alto de 108 MHz, como se muestra en la Fig. 3c. La reflectancia de la estructura de superestrato de triple capa de 6 × 5 TW se informa en la Fig. 3e y, como podemos observar, alcanzamos cinco bandas y la respuesta de reflectancia más alta alcanzada es - 27,18 dB a 1,561 GHz con el ancho de banda más alto de 105 MHz. Para la estructura de superestrato de cuatro capas de 6 × 5 TW, la reflectancia es de - 23,74 dB a 1,555 GHz con las cinco bandas de frecuencia y el ancho de banda más alto de 105 MHz, como se muestra en la Fig. 3f.

También realizamos el gráfico polar de ganancia para estos cuatro diseños reportados en la Fig. 3b, d, f, h. La ganancia más alta de 3,58 dB, 15,57 dB, 12,37 dB y 7,71 dB para superestrato de capa única de 6 × 5 TW, superestrato de doble capa de 6 × 5 TW, superestrato de triple capa de 6 × 5 TW y estructuras de superestrato de cuatro capas de 6 × 5 TW , respectivamente y el gráfico polar de ganancia 3D correspondiente se presentan en la Fig. 3b, d, f, h. Entonces, podemos concluir de la respuesta de reflectancia que no. De las bandas obtenidas y los resultados del gráfico polar de ganancia 3D, la estructura superestrato de doble capa de 6 × 5 TW funciona comparativamente mejor que otras estructuras.

Además, para obtener una estructura más optimizada, simulamos varios diseños más y comparamos los resultados con la estructura de superestrato de doble capa de 6 × 5 TW. Hemos simulado el SRR de cuatro capas seguido de una capa de parche basada en SRR y una estructura de capa única de 6 × 5 TW colocada sobre SRR de tres capas seguida de una capa de parche basada en SRR y la respuesta de reflectancia correspondiente se representa en las figuras 4a, c, e. . Para SRR de cuatro capas seguidas de una capa de parche basada en SRR, logramos cinco bandas de frecuencia con la reflectancia más alta de -27,40 dB a 1,573 GHz y el ancho de banda más alto de 105 MHz, como se muestra en la Fig. 4a. Para una estructura de capa única de 6 × 5 TW colocada sobre SRR de tres capas seguida de una capa de parche basada en SRR, logramos cinco bandas de frecuencia con la reflectancia más alta de -41,97 dB a 1,518 y con el ancho de banda más alto de 110 MHz GHz como se muestra en la Fig. 4c. Para la estructura de superestrato de doble capa de 6 × 5 TW, la reflectancia es de - 27,07 dB a 1,07 GHz con las seis bandas de frecuencia y el ancho de banda más alto de 108 MHz, como se muestra en la Fig. 4e.

Resultados simulados de la respuesta de reflectancia (S11) y gráfico polar de ganancia 3D para varias estructuras de superestrato (a) SRR con estructura de superestrato de cuatro capas, se obtienen cinco bandas de frecuencia, (b) para SRR con estructura de superestrato de cuatro capas se logra la ganancia más alta de 8,49 dB, ( c) para SRR de tres capas combinadas con una sola capa de 6 × 5 TW como capa superior, obtenemos cinco bandas de frecuencia, (d) para SRR de tres capas combinadas con una sola capa de 6 × 5 TW como capa superior, la ganancia más alta es de 1,49 dB se logra, (e) para una estructura de superestrato de doble capa de 6 × 5 TW, se logran seis bandas de frecuencia. (f) para una estructura superestrato de doble capa de 6 × 5 TW, se alcanza la ganancia más alta de 15,57 dB.

También realizamos el gráfico polar de ganancia para estos tres diseños y los resultados se presentan en la Fig. 4b, d, f. La ganancia más alta de 8,49 dB, 1,49 dB y 15,57 dB para SRR de cuatro capas seguidas de una capa de parche basada en SRR, una estructura de una sola capa de 6 × 5 TW colocada sobre SRR de tres capas seguida de una capa de parche basada en SRR y 6 × 5 TW. El superestrato de doble capa, respectivamente, y el correspondiente gráfico polar de ganancia 3D se presentan en la Fig. 4b, d, f. Entonces, podemos concluir de la respuesta de reflectancia que no. de bandas obtenidas y resultados de gráficos polares de ganancia 3D, la estructura de superestrato de doble capa de 6 × 5 TW también funciona comparativamente mejor que las estructuras SRR. Además, hemos llevado a cabo la variación de los parámetros estructurales de la estructura de parche basada en SRR y los resultados correspondientes se presentan en las Figs. S1 y S2.

Para validar los resultados de la simulación, hemos fabricado todas las estructuras de antena y las estructuras de antena correspondientes con instalaciones de prueba, y los resultados de la comparación se muestran en la Fig. 5. Para fabricar la estructura de parche basada en anillo dividido, hemos utilizado el doble laminado revestido de cobre Fr4. La hoja de PCB lateral y la estructura del anillo dividido y la alimentación se graban eliminando el exceso de material de cobre de la capa superior usando la solución de FeCl3. La lámina se colocó en una solución de FeCl3 durante media hora y la estructura del parche está lista de la misma manera que el resto de las estructuras de la antena se fabrican utilizando la PCB de un solo lado laminada revestida de cobre Fr4. Para fabricar una estructura de superestrato, requerimos varias cajas de soporte para colocarlas entre dos capas de superestrato consecutivas y estas se imprimieron usando la impresora 3D para dos valores de espesor, ya que el espesor entre la capa de parche y la primera capa de superestrato y dos estructuras de superestrato consecutivas es diferente. La estructura fabricada de la capa de parche basada en SRR sin diodos pin y con diodos pin como mecanismo de conmutación para lograr la reconfiguración se presenta en las figuras 5a, b, respectivamente. La Figura 5c ilustra la estructura fabricada de una estructura de superestrato de doble capa de 6 × 5 TW colocada sobre una estructura de parche basada en SRR separada usando una caja hueca blanca impresa en 3D de varios espesores, mientras que la Fig. 5d representa la estructura fabricada de una estructura de superestrato de SRR de cuatro capas colocada sobre un SRR Estructura de parche basada separada utilizando la caja hueca blanca impresa en 3D de varios espesores. La antena se probó colocándola en la cámara anecoica como se ilustra en la Fig. 5e. La respuesta de reflectancia de la estructura de superestrato SRR de cuatro capas colocada sobre la estructura de parche basada en SRR se observa con la ayuda de un analizador de redes vectoriales y los resultados correspondientes se presentan en la Fig. 5f.

Estructura fabricada y pruebas a través de la cámara anecoica (a) estructura de parche fabricada basada en SRR sin diodos pin, (b) estructura de parche fabricada basada en SRR con diodos pin para mecanismo de conmutación para lograr la reconfiguración, (c) estructura fabricada de doble capa de 6 × 5 TW estructura de superestrato colocada sobre una estructura de parche basada en SRR separada usando una caja hueca blanca impresa en 3D de varios espesores, (d) estructura fabricada de una estructura de superestrato SRR de cuatro capas colocada sobre una estructura de parche basada en SRR separada usando una caja hueca blanca impresa en 3D de varios espesores, (e ) instalación de prueba de antena de cámara anecoica, (f) Observación de la respuesta de reflectancia de una estructura de superestrato SRR de cuatro capas colocada sobre una estructura de parche basada en SRR (g) Comparación de resultados simulados y medidos para una estructura de tres capas SRR combinada con una sola capa de 6 × 5 TW como capa superior, alcanzamos cinco bandas de frecuencia.

En la Fig. 5g se presenta la comparación de los resultados simulados con los resultados medidos para la estructura de tres capas SRR combinada con una capa única de 6 × 5 TW como capa superior. En la Fig. 5g se puede ver que el resultado medido es idéntico a los resultados simulados y verifica los resultados de la simulación. Además, también se lleva a cabo un estudio comparativo para comparar las estructuras de antena propuestas con trabajos publicados anteriormente y se presenta en la Tabla ST1 complementaria. Está bastante claro que la estructura de antena propuesta de estructura de doble capa de 6 × 5 TW funciona notablemente en términos de respuesta de reflectancia, no. de bandas, ancho de banda y ganancia. Hemos desarrollado un diseño de antena inteligente utilizando aprendizaje automático que es aplicable en aplicaciones móviles 5G y aplicaciones portátiles Wi-Fi, Wi-MAX y WLAN. Las antenas de banda estrecha se emplean para diversas aplicaciones que incluyen aplicaciones de banda L para comunicación por satélite, transmisión de audio digital, comunicaciones de enlace ascendente por satélite de aficionados y comunicación 5G.

Esta sección describe brevemente la necesidad de utilizar modelos de regresión durante el proceso de simulación y explica cómo se pueden utilizar los modelos de regresión para reducir los requisitos de tiempo y recursos en un 80 % mientras se simula la eficiencia del diseño de la antena.

Los investigadores utilizan el análisis de regresión para encontrar el valor de los parámetros dependientes utilizando los valores de los parámetros independientes38,39,40,41. Al simular el diseño de la antena, la frecuencia es un parámetro independiente, mientras que el valor de reflectancia es un parámetro dependiente. Simular el diseño experimental requiere una cantidad significativa de tiempo y recursos. El aumento de la complejidad del diseño experimental requiere más tiempo y recursos. Al simular la eficiencia de una antena, ésta debe evaluarse para una amplia variedad de valores de frecuencia. A medida que se amplía el rango de pruebas, también se expande la demanda de recursos de simulación. Como resultado, aumenta el costo del modelado y la experimentación. Las metodologías de análisis de regresión basadas en ML se pueden utilizar para resolver este problema mediante los siguientes tres pasos.

Paso 1: Simule el diseño de la antena utilizando un valor de tamaño de paso más alto para la frecuencia.

Paso 2: Entrene el modelo de regresión basado en aprendizaje automático utilizando datos simulados.

Paso 3: Predecir los valores de reflectancia de las frecuencias intermedias utilizando el modelo de regresión entrenado.

Con un aumento en el valor de la frecuencia del tamaño del paso, se reducen el tiempo de simulación y las necesidades de recursos. La puntuación R cuadrada (R2S), el error porcentual absoluto medio (MAPE), el error cuadrático medio (MSE) y la puntuación R cuadrada ajustada (AR2S) son criterios comúnmente utilizados para cuantificar la exactitud de la predicción del modelo de regresión entrenado. Las fórmulas para calcular estas métricas se indican en las Ecs. (5–8).

Aquí 'N' es una cantidad de puntos de datos utilizados para probar el modelo de regresión y 'K' es una cantidad de parámetros independientes empleados para predecir el valor del parámetro objetivo.

Se utiliza un algoritmo de partición recursivo binario para construir el árbol de regresión. Cada paso recursivo se utiliza para encontrar un punto de datos en el parámetro independiente, donde dividir el conjunto de datos en dos mitades minimiza el error cuadrático medio en el análisis de regresión. Para mejorar la precisión de sus predicciones, es posible que sea necesario podar o recortar el árbol de regresión.

Este algoritmo crea una colección de un número 'M' de árboles de regresión RT1, ... RTM sin podar. A diferencia del árbol de regresión, esta técnica elige el punto de corte al azar y hace crecer todos los árboles de regresión utilizando todo el conjunto de datos de entrenamiento. Como se indica en la ecuación. (9), la salida de todos los árboles de regresión se combina utilizando un promedio aritmético.

Aquí, x es el valor de un parámetro independiente.

Los experimentos se llevan a cabo utilizando datos obtenidos simulando el diseño de antena presentado en la Sección. 2. TS-60, TS-70, TS-80 y TS-90 son cuatro escenarios de prueba (TS) que se utilizan para verificar cuánto tiempo de simulación y las necesidades de recursos se pueden reducir mediante un enfoque de análisis de regresión. En el escenario de prueba TS-P, se seleccionan (100-P)% de puntos de datos simulados utilizando una estrategia de selección aleatoria uniforme para entrenar el ExTRM, mientras que el P% restante de los puntos de datos simulados se utilizan para cuantificar la exactitud de la predicción del ExTRM entrenado. La cantidad de puntos de datos utilizados para entrenar y cuantificar el ExTRM durante varios escenarios de prueba se detalla en la Tabla complementaria ST2.

Se utilizan 100 árboles de regresión para crear ExTRM para experimentación. El AR2S de ExTRM obtenido para varios valores de longitud del cuadrado interior durante el escenario de prueba TS-80 se muestra en la Fig. 6a.

(a) AR2S de ExTRM obtenidos para valores variados de Longitud del cuadrado interior (LIS) durante el Escenario de prueba (TS-80) (b) MAPE de ExTRM para valores variados de LIS durante el Escenario de prueba (TS-80) (c) AR2S de ExTRM obtenidos para diversos valores de LIS durante el Escenario de prueba (TS-90) (d) MAPE de ExTRM para diversos valores de LIS durante el Escenario de prueba (TS-90).

El MAPE de ExTRM para varios valores de longitud del cuadrado interior durante el escenario de prueba TS-80 se representa utilizando un gráfico de barras comparativo en la Fig. 6b. Cuando los ExTRM se entrenan utilizando características polinómicas de primer grado (PF), se obtiene un AR2S mayor que 0,95 para todos los valores de longitud del cuadrado interior, como se muestra en la Fig. 6a. Además, el MAPE de los ExTRM es inferior al 0,5% para todos los valores de longitud del cuadrado interior cuando el modelo se entrena utilizando PF de primer grado, excepto para la longitud del cuadrado interior de 11 mm, como se muestra en la Fig. 6b. En esa situación es aproximadamente el 1,0%.

Las Figuras 7a a d muestran diagramas de dispersión de los valores de reflectancia previstos frente a los valores de reflectancia simulados para una longitud del cuadrado interior de 15 mm durante los escenarios de prueba TS-60, TS-70, TS-80 y TS-90, respectivamente. Aunque solo el 20% de los datos simulados se utiliza para pronosticar el valor de reflectancia para el 80% de frecuencias restante, el ExTRM puede predecir estos valores con alta precisión, como se muestra en la Fig. 7c. No se puede decir lo mismo del escenario de prueba TS-90. Higos suplementarios. (S3-S7) muestra diagramas de dispersión para longitudes del cuadrado interior de 10 a 14 mm en incrementos uniformes de 1 nm, respectivamente. Como resultado, podemos concluir que el uso del ExTRM durante la simulación del diseño de la antena para varios valores de longitud del cuadrado interior puede reducir los requisitos de simulación en un 80%.

Diagrama de dispersión del valor previsto de reflectancia frente al valor simulado de reflectancia para (a) Longitud del cuadrado interior (LIS) = 15 mm durante TS-60 (b) LIS = 15 mm durante TS-70 (c) LIS = 15 mm durante TS -80 (d) LIS = 15 mm durante TS-90 (e) Longitud del cuadrado exterior (L0S) = 24 mm durante TS-60 (f) L0S = 24 mm durante TS-70 (g) L0S = 24 mm durante TS -80 (h) L0S = 24 mm durante TS-90.

El AR2S de ExTRM obtenido para varios valores de longitud del cuadrado interior durante el escenario de prueba TS-90 se muestra en la Fig. 6c. El MAPE de ExTRM para varios valores de longitud del cuadrado interior durante el escenario de prueba TS-90 se representa utilizando un gráfico de barras comparativo en la Fig. 6d. Cuando los ExTRM se entrenan utilizando PF de primer/segundo/tercer grado, no se puede obtener un AR2S superior a 0,9 para todos los valores de longitud del cuadrado interior, como se muestra en la Fig. 6c. Además, el MAPE del ExTRM es significativamente superior al 1,0% para algunos valores de longitud del cuadrado interior, como se muestra en la Fig. 6d. Como resultado, podemos concluir que el uso del ExTRM durante la simulación del diseño de la antena para varios valores de longitud del cuadrado interior no puede reducir los requisitos de simulación en un 90%.

En la Fig. 8a se muestra el AR2S de ExTRM obtenido para varios valores de longitud del cuadrado exterior durante el escenario de prueba TS-80. El MAPE de ExTRM para varios valores de longitud del cuadrado exterior durante el escenario de prueba TS-80 se representa utilizando un gráfico de barras comparativo en la Fig. 8b. Cuando los ExTRM se entrenan utilizando PF de primer grado, se obtiene un AR2S mayor que 0,99 para todos los valores de longitud del cuadrado exterior, como se muestra en la Fig. 8a. Además, el MAPE del ExTRM es inferior al 0,47% para todos los valores de longitud del cuadrado exterior, como se muestra en la Fig. 8b.

(a) AR2S de ExTRM obtenidos para valores variados de Longitud del cuadrado exterior (LOS) durante el Escenario de prueba (TS-80) (b) MAPE de ExTRM para valores variados de LOS durante el Escenario de prueba (TS-80) (c) AR2S de ExTRM obtenidos para diversos valores de LOS durante el Escenario de prueba (TS-90) (b) MAPE de ExTRM para diversos valores de LOS durante el Escenario de prueba (TS-90).

La Figura 7e-h muestra diagramas de dispersión de los valores de reflectancia previstos frente a los valores de reflectancia simulados para una longitud del cuadrado exterior de 24 mm durante los escenarios de prueba TS-60, TS-70, TS-80 y TS-90, respectivamente. Aunque solo el 20% de los datos simulados se utiliza para pronosticar el valor de reflectancia para el 80% de frecuencias restante, el ExTRM puede predecir estos valores con alta precisión, como se muestra en la Fig. 7g. No se puede decir lo mismo del escenario de prueba TS-90. Higos suplementarios. (S8 – S16) muestra diagramas de dispersión para las longitudes restantes del cuadrado exterior. Como resultado, podemos concluir que el uso del ExTRM durante la simulación del diseño de la antena para varios valores de longitud del cuadrado exterior puede reducir los requisitos de simulación en un 80%.

En la Fig. 8c se muestra el AR2S de ExTRM obtenido para varios valores de longitud del cuadrado exterior durante el escenario de prueba TS-90. El MAPE de ExTRM para varios valores de longitud del cuadrado exterior durante el escenario de prueba TS-90 se representa utilizando un gráfico de barras comparativo en la Fig. 8d. Cuando los ExTRM se entrenan utilizando PF de segundo grado, se puede obtener un AR2S superior a 0,94 para todos los valores de longitud del cuadrado interior, como se muestra en la Fig. 8c. Sin embargo, el MAPE del ExTRM es superior al 1,0% para algunos valores de longitud del cuadrado exterior, como se muestra en la Fig. 8d. Como resultado, podemos concluir que el uso del ExTRM durante la simulación del diseño de la antena para varios valores de longitud del cuadrado exterior no puede reducir los requisitos de simulación en un 90%.

Para concluir, se simula una antena basada en el concepto de metamaterial donde el parche se trunca y se graba con un SRR y los resultados se verifican con los resultados fabricados. Se propone un diseño de antena altamente eficiente con alta ganancia, reconfigurable, respuesta de reflectancia mejorada y mayor ancho de banda. El requisito de alta ganancia se cumple agregando superestratos de metamaterial que tienen TW y SRR. La reconfigurabilidad se logra agregando tres interruptores de diodo PIN. Se han observado múltiples diseños agregando capas de superestrato que van desde una capa hasta cuatro capas con TW y SRR intercambiables. El diseño de superestrato de metamaterial TW con dos capas ofrece el mejor rendimiento de alta ganancia con 15,57 dB, 108 MHz de ancho de banda mejorado, respuesta de reflectancia de -27,07 dB y seis bandas de frecuencia. El diseño también se optimiza cambiando varios parámetros físicos del diseño del parche. ExTRM asistido por aprendizaje automático se aplica para conocer el comportamiento de la antena y predecir el valor de reflectancia para una amplia gama de frecuencias. Los resultados experimentales demuestran que el uso del modelo basado en ExTRM para la simulación del diseño de antenas puede reducir el tiempo de simulación y los requisitos de recursos en un 80%. Hemos desarrollado un diseño de antena inteligente utilizando aprendizaje automático que se puede aplicar en aplicaciones móviles 5G y aplicaciones portátiles Wi-Fi, Wi-MAX y WLAN.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles en el repositorio de github, https://github.com/jaymit31/Machine-Learning-assisted-metamaterial-based-reconfigurable-antenna-for-low-cost-portable- electrónico].

Li, D., Szabo, Z., Qing, X., Li, EP y Chen, ZN Una antena de alta ganancia con un superestrato inspirado en metamaterial optimizado. Traducción IEEE. Propagación de antenas. https://doi.org/10.1109/TAP.2012.2213231 (2012).

Artículo de Google Scholar

Jin, G., Deng, C., Yang, J., Xu, Y. y Access, SL-I. e indefinido de 2019, “Una nueva antena reconfigurable de frecuencia con alimentación diferencial para aplicaciones WLAN y 5G sub-6GHz”, ieeexplore.ieee.org.

Abbas, M. et al., “Antena reconfigurable de frecuencia de onda milimétrica para 5G WLAN”, en 2018, IEEE 21.ª Conferencia internacional multitema (INMIC), noviembre de 2018, págs. 1 a 6, https://doi.org/ 10.1109/INMIC.2018.8595501.

Patel, SK, Argyropoulos, C. y Kosta, YP Antena microstrip de frecuencia sintonizable y controlada por patrón cargada con múltiples resonadores de anillo dividido. Microondas IET. Propagación de antenas. https://doi.org/10.1049/iet-map.2017.0319 (2018).

Artículo de Google Scholar

Faizal Ismail, M. et al. Antena reconfigurable con patrón de doble banda que utiliza una estructura de banda prohibida electromagnética. AEU Int. J. Electrón. Comunitario. https://doi.org/10.1016/j.aeue.2020.153571 (2021).

Artículo de Google Scholar

Cui, TJ, Liu, R. y Smith, DR Introducción a los metamateriales. En Metamateriales: teoría, diseño y aplicaciones (Springer, 2010), págs. 1-19.

Keerthi, RS y cols. Antena microbanda sintonizable de alta ganancia y multibanda basada en superestratos de resonador de anillo dividido líquido/cobre para comunicación en banda C/X. Física. B condensa. Asunto https://doi.org/10.1016/j.physb.2021.413203 (2021).

Artículo de Google Scholar

Christydass, SPJ y Gunavathi, N. Antena monopolo multibanda inspirada en metamateriales de octabanda para aplicaciones inalámbricas. Prog. Electromagn. Res. C https://doi.org/10.2528/PIERC21041102 (2021).

Artículo de Google Scholar

Yuan, Y. et al. Modulación de fase independiente para canales de polarización cuádruplex habilitada por metasuperficies de fase geométrica asistidas por quiralidad. Nat. Comunitario. https://doi.org/10.1038/s41467-020-17773-6 (2020).

Artículo PubMed PubMed Central Google Scholar

Zhang, K., Wang, Y., Burokur, SN y Wu, Q. Generación de un haz de vórtice de doble polarización mediante fase de desvío: desde metasuperficies de gradiente de fase hasta metarrejillas. Traducción IEEE. Microondas. Teoría Tecnológica. 70(1), 200–209. https://doi.org/10.1109/TMTT.2021.3075251 (2022).

ADS del artículo Google Scholar

Patel, SK, Shah, KH y Kosta, YP Diseño de radomo de metamaterial líquido multicapa para mejorar el rendimiento de la antena de parche microstrip. Microondas. Optar. Tecnología. Letón. https://doi.org/10.1002/mop.31024 (2018).

Artículo de Google Scholar

Islam, MT, Islam, MT, Samsuzzaman, M., Arshad, H. & Rmili, H. Metamaterial cargó nueve conjuntos de antenas vivaldi de alta ganancia para aplicaciones de imágenes de mama por microondas. Acceso IEEE https://doi.org/10.1109/ACCESS.2020.3045458 (2020).

Artículo PubMed Google Scholar

Zhang, K., Jack Soh, P. y Yan, S. Antenas metaportables: una revisión de antenas basadas en metamateriales en redes inalámbricas de área corporal. Materiales (Basilea) https://doi.org/10.3390/ma14010149 (2021).

Artículo PubMed PubMed Central Google Scholar

Roy, S. y Chakraborty, U. Antena portátil de banda ancha dual basada en metamateriales para aplicaciones inalámbricas. Alambre. Pers. Comunitario. 106(3), 1117-1133. https://doi.org/10.1007/s11277-019-06206-3 (2019).

Artículo de Google Scholar

Luo, Y. et al. Una antena de metamaterial activo con haces de radiación de escaneo modulados por MEMS. Dispositivo electrónico IEEE Lett. https://doi.org/10.1109/LED.2016.2565559 (2016).

Artículo de Google Scholar

Sharma, SK, Abdalla, MA y Hu, Z. Miniaturización de una antena inspirada en un metamaterial eléctricamente pequeña utilizando una capa conductora adicional. Microondas IET. Propagación de antenas. https://doi.org/10.1049/iet-map.2017.0927 (2018).

Artículo de Google Scholar

Saravanan, M. & Umarani, SM Mejora de ganancia de antena de parche integrada con superestrato inspirado en metamateriales. J. Electr. Sistema. inf. Tecnología. https://doi.org/10.1016/j.jesit.2018.04.002 (2018).

Artículo de Google Scholar

Patel, SK, Sonagara, J., Katrodiya, D. y Sorathiya, V. Diseño de radomo de metamaterial de alta ganancia para una estructura radiante basada en microstrip. Madre. Res. Expreso https://doi.org/10.1088/2053-1591/aaed30 (2019).

Artículo de Google Scholar

Ojo, R. et al. Una antena triangular MIMO con un superestrato de metamaterial negativo doble para mejorar el ancho de banda y la ganancia. En t. J. Microondas RF. Computadora. Ing. https://doi.org/10.1002/mmce.22320 (2020).

Artículo de Google Scholar

Sumathi, K., Lavadiya, S., Yin, PZ, Parmar, J. & Patel, SK Antena de parche de microcinta de superestrato de metamaterial reconfigurable en frecuencia y multibanda de alta ganancia para aplicaciones de red inalámbrica de banda C/X/Ku. Alambre. Neto. https://doi.org/10.1007/s11276-021-02567-5 (2021).

Artículo de Google Scholar

Boufrioua, A. Diseños de antenas reconfigurables en frecuencia que utilizan diodos PIN para aplicaciones de comunicación inalámbrica. Alambre. Pers. Comunitario. 110(4), 1879–1885. https://doi.org/10.1007/s11277-019-06816-x (2020).

Artículo de Google Scholar

Saroj, AK & Ansari, JA Una antena de microbanda con forma rómbica multibanda reconfigurable para aplicaciones inalámbricas inteligentes. En t. J. Microondas RF. Computadora. Ing. https://doi.org/10.1002/mmce.22378 (2020).

Artículo de Google Scholar

Sharma, S. & Tripathi, CC Antena de parche de microcinta reconfigurable de frecuencia triple simultánea a banda ancha para comunicación inalámbrica. En t. J. Microw. Alambre. Tecnología. 9(4), 915–922. https://doi.org/10.1017/S1759078716000763 (2017).

Artículo de Google Scholar

Lim, JH, Back, GT, Il Ko, Y., Song, CW y Yun, TY Un PIFA reconfigurable que utiliza un diodo PIN conmutable y un varactor de ajuste fino para USPCS/WCDMA/m-WiMAX/WLAN. Traducción IEEE. Propagación de antenas. 58(7), 2404–2411. https://doi.org/10.1109/TAP.2010.2048849 (2010).

ADS del artículo Google Scholar

Ai-Yasir, YIA, OjaroudiParchin, N., Alabdullah, A., Mshwat, W., Ullah, A. & Abd-Alhameed, R. Nuevo patrón de antena de disco circular reconfigurable que utiliza dos diodos PIN para WiMax/WiFi (IEEE 802. 11 a) aplicaciones. En SMACD 2019: 16.ª Conferencia internacional sobre métodos y aplicaciones de síntesis, modelado, análisis y simulación al diseño de circuitos, Actas, 2019, págs. https://doi.org/10.1109/SMACD.2019.8795287.

Carrasco, E., Barba, M. & Encinar, JA Antena reflectarray de banda X con haz de conmutación mediante diodos PIN y elementos ensamblados. Traducción IEEE. Propagación de antenas. 60(12), 5700–5708. https://doi.org/10.1109/TAP.2012.2208612 (2012).

ADS del artículo Google Scholar

George, R., Kumar, CRS, Gangal, S. y Joshi, M. Antena de píxeles reconfigurable en frecuencia con diodos PIN. Prog. Electromagn. Res. Letón. 86, 59–65. https://doi.org/10.2528/pierl19051803 (2019).

Artículo de Google Scholar

Patel, SK, Shah, KH y Sonagara, JS Diseño de radomo de metamaterial líquido de banda ancha. Waves Random Complex Media 30(2), 328–339. https://doi.org/10.1080/17455030.2018.1506597 (2020).

Artículo ADS MathSciNet Google Scholar

Patel, SK, Shah, KH y Kosta, YP Estructura radiante de microcinta de metamaterial reconfigurable en frecuencia y de alta ganancia. Waves Random Complex Media 29(3), 523–539. https://doi.org/10.1080/17455030.2018.1452309 (2019).

ADS del artículo Google Scholar

Paga, P., Nagaraj, HC y Rukmini, TS Diseño de una antena de parche de microcinta reconfigurable de frecuencia de doble banda para aplicaciones GPS y Wi-Fi. En t. J. Veh. inf. Comunitario. Sistema. 3(4), 281–305. https://doi.org/10.1504/IJVICS.2018.094978 (2018).

Artículo de Google Scholar

Patel, SK y cols. Absorbedor de energía solar metamaterial multicapa en forma de esvástica, de banda ultraancha, independiente de la polarización y gran angular con predicción de absorción mediante aprendizaje automático. Adv. Simulaciones teóricas https://doi.org/10.1002/adts.202100604 (2022).

Artículo de Google Scholar

Patel, SK y cols. Diseño de absorbente solar de metasuperficie basado en grafeno para la región visible y del infrarrojo cercano con predicción de comportamiento mediante regresión polinomial. Óptimo https://doi.org/10.1016/j.ijleo.2022.169298 (2022).

Artículo de Google Scholar

Patel, SK, Surve, J., Katkar, V. y Parmar, J. Optimización del absorbente de energía solar basado en metamateriales para mejorar la conversión de energía solar térmica mediante inteligencia artificial. Adv. Teoría simultánea. https://doi.org/10.1002/adts.202200139 (2022).

Artículo de Google Scholar

Patel, SK y cols. Codificación y ajuste del sensor de índice de refracción basado en metasuperficie de THz con predicción de comportamiento mediante XGBoost Regressor. Acceso IEEE https://doi.org/10.1109/ACCESS.2022.3154386 (2022).

Artículo de Google Scholar

El Misilmani, HM, Naous, T. & Al Khatib, SK Una revisión sobre el diseño y optimización de antenas utilizando algoritmos y técnicas de aprendizaje automático. En t. J. Microondas RF. Computadora. Ing. ayudado. https://doi.org/10.1002/mmce.22356 (2020).

Artículo de Google Scholar

Bessa, MA, Glowacki, P. & Houlder, M. Aprendizaje automático bayesiano en diseño de metamateriales: lo frágil se vuelve supercompresible. Adv. Madre. https://doi.org/10.1002/adma.201904845 (2019).

Artículo PubMed Google Scholar

Deringer, VL, Caro, MA y Csányi, G. Potenciales interatómicos del aprendizaje automático como herramientas emergentes para la ciencia de materiales. Adv. Madre. https://doi.org/10.1002/adma.201902765 (2019).

Artículo PubMed Google Scholar

Parmar, J., Patel, SK y Katkar, V. Diseño de absorbente solar de metasuperficie basado en grafeno con predicción de absorción mediante aprendizaje automático. Ciencia. Rep. 12(1), 2609. https://doi.org/10.1038/s41598-022-06687-6 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Wang, Y. et al. Propiedades y rendimiento de detección de la metasuperficie de THz basada en nanotubos de carbono y canales de microfluidos. Frente. Física. https://doi.org/10.3389/fphy.2021.749501 (2021).

Artículo de Google Scholar

Noureen, S., Zubair, M., Ali, M. & Mehmood, MQ Modelado de secuencias híbridas basado en aprendizaje profundo para la recuperación de respuestas ópticas en metasuperficies para aplicaciones STPV. Optar. Madre. Expreso 11(9), 3178. https://doi.org/10.1364/ome.424826 (2021).

Artículo ADS CAS Google Scholar

Patel, SK, Parmar, J. & Katkar, V. Absorbedor solar basado en metasuperficie con predicción de absorción mediante aprendizaje automático. Optar. Madre. 124, 112049. https://doi.org/10.1016/j.optmat.2022.112049 (2022).

Artículo CAS Google Scholar

Descargar referencias

Departamento de Ingeniería Informática, Universidad Marwadi, Rajkot, Gujarat, India

Shobhit K. Patel y Vijay Katkar

Departamento de Ingeniería Eléctrica, Universidad Marwadi, Rajkot, Gujarat, India

Presión de Jaymit

Departamento de Ingeniería Electrónica y Comunicaciones, Universidad Marwadi, Rajkot, Gujarat, India

Juveriya Parmar

Departamento de Ingeniería Mecánica y de Materiales, Universidad de Nebraska-Lincoln, 1400 R St., Nebraska, 68588, EE. UU.

Juveriya Parmar

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

SKP concibió la idea. SKP, JS, JP realizaron las simulaciones de las diferentes estructuras de antena, JS realizó los experimentos, SKP y JS analizaron los resultados experimentales, SKP y VK aplicaron el aprendizaje automático y analizaron los resultados. Todos los autores contribuyeron a escribir el artículo, SKP supervisó el proyecto.

Correspondencia a Shobhit K. Patel.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Patel, SK, Surve, J., Katkar, V. et al. Antena reconfigurable basada en metamateriales asistida por aprendizaje automático para dispositivos electrónicos portátiles de bajo costo. Informe científico 12, 12354 (2022). https://doi.org/10.1038/s41598-022-16678-2

Descargar cita

Recibido: 03 de marzo de 2022

Aceptado: 13 de julio de 2022

Publicado: 19 de julio de 2022

DOI: https://doi.org/10.1038/s41598-022-16678-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Informes Científicos (2023)

Revista de Materiales Electrónicos (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.