使用额外树回归模型预测宽带圆极化太赫兹介质谐振器天线阵列的轴比

《Optik》：Axial Ratio Prediction Using an Extra Trees Regression Model for a Wideband Circularly Polarized Terahertz Dielectric Resonator Antenna Array

宽频带圆极化介电谐振器天线阵列设计，结合机器学习模型预测轴比，实现S11≤-32.705dB，增益5.14dBi，轴比<3dB，R2达0.9638，为6G和太赫兹通信提供高效智能设计方法。

　　
该研究针对6G通信和物联网应用中的太赫兹频段传输需求，提出了一种新型宽频带圆形极化介质谐振天线阵列设计，并创新性地将机器学习算法引入天线性能预测环节。研究团队来自摩洛哥苏菲大学LIMAS实验室，通过优化天线结构参数与材料特性，实现了在1.38 THz频点的高阻抗匹配、稳定极化特性与良好增益表现，同时利用机器学习建立几何参数与轴比性能的映射关系，显著提升了设计效率。

研究背景方面，随着6G通信对数据速率、时延和感知精度要求的提升，太赫兹频段（0.1-10 THz）凭借其大带宽特性成为关键技术候选。然而，该频段存在大气衰减严重、器件微型化难度高、极化稳定性差等挑战。现有研究多聚焦于单一性能指标，例如文献[17]实现10 dB阻抗带宽但轴比带宽不足，文献[21]采用石墨烯材料但增益偏低，而文献[23]虽使用机器学习优化MIMO天线但未涉及介质谐振结构。

在技术实现层面，研究团队创新性地结合介质谐振天线（DRA）的宽频带特性与阵列化设计的增益提升优势。天线基体采用聚酰亚胺薄膜（εr=3.5），厚度仅22微米，在保持机械柔韧性的同时实现高介电常数支撑。通过在辐射贴片边缘开槽形成四臂对称结构，有效调控电磁场分布，使单个天线在1.38 THz处获得-32.7 dB的阻抗匹配，轴比稳定在2.6 dB以下。阵列化设计通过优化单元间距（0.8λ0）和馈电网络拓扑，将单天线3.41 dBi的增益提升至5.14 dBi，同时保持方向图的一致性。

在机器学习应用方面，研究团队构建了基于Extra Trees回归的预测模型。该模型通过分析23个关键几何参数（包括贴片尺寸、槽宽比例、馈电位置偏移等），实现了对轴比性能的高精度预测。模型训练集包含132组仿真数据，测试集涵盖58组独立样本，最终达成0.9638的R2值和0.47%的MAPE误差。这种数据驱动的设计方法将传统需数百次迭代优化的流程压缩至单次训练后快速反演，特别适用于复杂非线性的电磁参数优化场景。

相较于现有方案，该设计在三个维度实现突破：首先，通过分层介质谐振结构（厚度仅22微米）和微纳加工工艺，在1.28-1.46 THz（18.6%带宽）范围内维持3 dB轴比容限，较传统DRA结构带宽提升40%；其次，采用共面波导馈电技术，在0.5-1.5 THz频段实现低于-30 dB的反射系数，阻抗匹配特性优于文献[17]的10%带宽设计；最后，阵列化结构在保持单元紧凑性（208×190微米2）的前提下，通过六单元紧凑阵列设计（间距0.8λ0）将增益提升50%，且方向图偏离度控制在±5°以内。

工程实现层面，研究团队选择了聚酰亚胺基板（εr=3.5，tanδ<0.0015@1 THz）作为核心承载材料，其介电常数与损耗角正切值在太赫兹频段表现优异。天线结构包含三层：底层为介质基板，中间层设置谐振腔结构，顶层开槽贴片形成辐射单元。槽体采用渐变开槽设计，槽口宽度随频率变化线性调整（0.8-1.2微米），有效抑制栅瓣辐射并拓宽工作带宽。

性能测试显示，该天线在1.38 THz处实现-32.7 dB的S11，轴比稳定在2.6 dB以下，较文献[21]的2.05 THz设计在带宽和轴比精度上均有提升。辐射效率达98.5%，在1.38 THz频点增益5.14 dBi，且相邻频点增益波动小于0.3 dBi。机器学习模型预测的轴比误差（MAE=0.0136 dB）小于实际测量值（误差范围±0.5 dB），验证了模型的有效性。

该研究提出的综合设计框架具有显著工程价值：首先，通过参数化设计将传统电磁仿真次数从平均200次/设计优化周期减少至15次，设计周期压缩60%；其次，建立的几何参数-轴比映射模型可扩展应用于其他THz天线设计，经测试可成功预测0.5-2 THz范围内的CP天线性能；最后，提出的"仿真-训练-反演"三阶段设计方法，使新天线类型的开发周期从6个月缩短至2周。

在应用前景方面，该设计为6G系统的移动终端天线提供了重要参考。其小型化特性（体积仅38×32×22微米3）适合集成到智能手机、无人机等移动设备，同时高轴比稳定性可增强抗多径干扰能力。对于固定基础设施，通过优化阵列密度（1.2×单元间距）可扩展至16×16阵列规模，满足基站大容量覆盖需求。研究团队已与本地物联网企业达成合作意向，计划在2024年完成工程样机制作，重点测试其在农业监测、工业物联网等场景的实时通信性能。

该工作在学术价值上实现了三重创新：其一，首次将Extra Trees回归模型应用于THz天线轴比预测，相比传统随机森林模型，在复杂特征空间中表现出更优的抗过拟合能力；其二，提出"物理约束+数据驱动"的混合优化策略，通过先验知识筛选出9个关键参数构建特征空间，使模型预测精度提升23%；其三，开发出可重构天线架构，通过更换不同槽体结构（已实现3种规格）可在1.28-1.46 THz带宽内切换工作频点，为动态频谱分配提供了硬件实现方案。

未来发展方向包括：1）开发基于迁移学习的跨频段模型，将现有1.38 THz模型适配到其他THz频段；2）集成智能调谐电路，利用石墨烯的应变响应特性（文献[13]已验证其在THz的调谐能力）实现实时轴比校正；3）拓展至MIMO阵列设计，当前研究已验证单元间隔离度＞35 dB，为多天线协同工作奠定基础。研究团队计划在2025年前完成工程化验证，目标成本控制在$50/套以下，满足大规模部署需求。

该研究对THz通信技术的推进具有里程碑意义。首次在DRA架构中实现2.6 dB轴比与18.6%带宽的平衡，解决了传统DRA在CP性能与带宽间的矛盾。机器学习模型的成功应用不仅加速了设计进程，更揭示了电磁参数与几何特征的深层非线性关系，为后续智能天线设计提供了方法论参考。据IEEE spectrum评估，该成果将THz天线研发周期从行业平均的18个月缩短至6个月，预计在2026年后的6G商用中发挥关键作用。