الهوائيات حسب الطلب: كيف يختار الذكاء الاصطناعي البنية البكسلية لنطاق المليمترات
تصميم هوائيات نطاق المليمترات مهمة شاقة. متطلبات مخطط الإشعاع والمطابقة وعرض النطاق غالباً ما تتعارض مع بعضها البعض، وطول الموجة صغير جداً لدرجة أن أي أخطاء في الهندسة تغيّر الصورة. النهج الكلاسيكي — ضبط أبعاد وشكل الباعث يدوياً — يستغرق أسابيع، خاصة عندما يكون الاستجابة غير القياسية مطلوبة.
إحدى الطرق للتعامل مع هذه المهمة هي التخلي عن الأشكال "الملساء" المعتادة وتصور الهوائي كقناع بكسل: مجموعة من الخلايا الصغيرة، كل منها إما معدنية أو فارغة. النتيجة هي مساحة ضخمة من الخيارات — ملايين التركيبات. لا يمكن فحصها يدوياً. لكن هذه بالضبط مهمة يتعامل معها الذكاء الآلي الحديث بشكل جيد.
ما هو هوائي الرقعة البكسلي لموجات المليمترات
في ورقة بحثية نُشرت في أغسطس 2026 على arXiv، يصف فريق من الباحثين نظاماً يرسم نمط الهوائي تلقائياً وفقاً للمواصفات المطلوبة. يتعلق الأمر بهوائي رقعة مدمج، مصمم لترددات من 22 إلى 30 جيجاهرتز — أي نطاق المليمترات بكل تعقيداته.
التصميم عبارة عن منصة مستطيلة مقسمة إلى شبكة 19×23 بكسل. كل خلية يمكن أن تكون موصلة أو فارغة. لكي يكون الهوائي قابلاً للتحكم، يجب أن يمر مسار معدني مستمر من وحدة التغذية إلى منطقة الإشعاع — وإلا فلن يصل التيار ببساطة إلى الأجزاء المطلوبة.
النهج البكسلي بحد ذاته معروف منذ فترة طويلة: إذا تم فحص عدد كافٍ من التركيبات، فمن شبه المؤكد أنه سيتم العثور على نمط بالخصائص المطلوبة. المشكلة هي أن كل فحص في محاكي كهرومغناطيسي هو حساب ثلاثي الأبعاد كامل يستغرق وقتاً طويلاً. الملايين من الخيارات هنا رفاهية غير مقبولة.
أظهرت المحاكاة الأولى مشكلة عدم التوازن
للحصول على بيانات التدريب، أجرى المؤلفون حوالي ستة آلاف محاكاة كاملة الموجات في حزمة CST لأقنعة بكسل عشوائية مولدة خصيصاً. اتضح أن حوالي 40% فقط من هذه الأقنعة تمتلك رنيناً أصلاً، أي أن لديها معامل انعكاس S11 لا يزيد عن −10 ديسيبل على تردد واحد على الأقل. بعبارة أخرى، ستة من كل عشرة تصاميم عشوائية غير مفيدة — الذكاء الاصطناعي المدرب على مثل هذه المجموعة يخاطر بتعلم "عدم الفائدة" كقاعدة.
الحل الكلاسيكي لمشكلة البيانات غير المتوازنة هو ببساطة جمع المزيد من الأمثلة الناجحة. لكن من أين تأتي بها إذا كانت كل محاكاة مكلفة والتوليد العشوائي لا ينتج خيارات صالحة كثيراً؟ هناك حاجة إلى طريقة لفصل القمح عن القش قبل تشغيل الحساب المكلف.
الذكاء الاصطناعي الأول — مرشح لاختيار الأنماط الواعدة
تصرف الباحثون بأناقة: قاموا بتدريب مصنف ثنائي منفصل يعتمد على تعزيز التدرج، والذي يجب أن يتنبأ من شكل النمط البكسلي ما إذا كان الهوائي سيكون رنينياً. هذا النموذج يعمل فوراً ولا يتطلب محاكاة. تم استخدامه كـ"حارس بوابة": الأقنعة العشوائية الجديدة مرت أولاً عبر المرشح، وفقط تلك التي اعتبرها المصنف واعدة أُرسلت إلى CST للحساب الكامل.
هذا النهج سمح بإضافة حوالي أربعة آلاف محاكاة أخرى إلى البيانات الأصلية، ولكن بمواد إدخال "منخولة". في النهاية، أصبحت المجموعة الموحدة من عشرة آلاف عينة أفضل بشكل ملحوظ: ارتفعت نسبة التصاميم الرنينية من 40% الأصلية إلى حوالي 52%. هذا إنجاز مهم: لأن نماذج الذكاء الاصطناعي التالية تتعلم من هذه القاعدة بالذات، وكلما كانت العينة أكثر توازناً، كلما كانت توقعاتها لسلوك الهوائيات أكثر دقة.
النموذج البديل بدلاً من الحل الكهرومغناطيسي
بعد ذلك، قام المؤلفون بتدريب شبكة عصبية هجينة تجمع بين الطبقات الالتفافية وبنية LSTM ثنائية الاتجاه. هذا المزيج مناسب تماماً للبيانات التي تحتوي على بنية مكانية (صورة البكسلات) واعتماد على التردد.
يجب أن تنتج الشبكة الاستجابة المعقدة الكاملة S11 — أي السعة والطور — في 801 نقطة تردد. هذا "نموذج بديل" كامل: يحل محل المحاكي الكهرومغناطيسي البطيء عند البحث عن النمط الأمثل.
تم التركيز بشكل خاص في التدريب على التفاصيل المهمة فيزيائياً — عمق الانخفاض الرنيني. بالنسبة للهوائي، ليس المهم فقط "وجود رنين"، بل مدى جودة المطابقة على تردد معين. لذلك، أضاف الباحثون مكوناً إلى دالة الخسارة يعاقب النموذج بشدة على التنبؤ غير الدقيق بالحد الأدنى لـ S11.
التصميم العكسي: رسم الهوائي حسب المواصفات
بعد إتقان النموذج البديل السريع، تأتي المرحلة الأكثر إثارة للاهتمام — التصميم العكسي. بدلاً من توليد آلاف الخيارات و"تمريرها" عبر الشبكة، يستخدم الباحثون الانحدار التدرجي. لكن ما يتم تحسينه ليس النمط نفسه — بل تمثيله الكامن في فضاء كامن مضغوط بأبعاد 64.
هذه التقنية، المألوفة من النماذج التوليدية، تسمح بتغيير القناع بخطوات سلسة والسؤال في كل مرة: "هل يتوافق هذا النمط مع استجابة S11 المطلوبة؟". تشير التدرجات إلى الاتجاه الذي يجب تعديل المعلمات فيه بحيث يتطابق تردد الرنين وعمق الانخفاض وشكل المنحنى مع المطلوب. ثم يتم فك تشفير المتجه الكامن النهائي مرة أخرى إلى رسم بكسل محدد.
أظهر الفحص في CST أن توقعات النموذج البديل والحسابات الكهرومغناطيسية الحقيقية للهوائيات المولدة متوافقة بشكل جيد. الفرق بينهما صغير، مما يعني أن خط الأنابيب المقترح مناسب بالفعل للتصميم التلقائي.
ماذا يعني هذا عملياً
يوضح العمل دورة مغلقة: مجموعة صغيرة من المحاكاة ← مصنف لاختيار البيانات المفيدة ← نموذج بديل سريع ← تحسين في الفضاء الكامن ← رسم نهائي للهوائي. هذا النهج لا يسرع البحث فحسب، بل يفتح الطريق أيضاً أمام "إعادة التشكيل" — عندما يمكن لنظام واحد أن يقترح بسرعة نمطاً جديداً لمتطلبات محدثة، على سبيل المثال، لتردد تشغيل أو نطاق مختلف.
في الوقت الحالي، هذه تجربة معملية على فئة محددة من الهوائيات. لكن الفكرة نفسها — "تمرير عملية البحث عن البنية عبر الذكاء الاصطناعي وليس النتيجة فقط" — تبدو واعدة لمجالات مختلفة جداً من تصميم الموجات الدقيقة — من الرادارات إلى أنظمة اتصالات 6G. كلما كانت الديناميكا الكهربائية أكثر تعقيداً، زادت قيمة الأدوات التي تبحث عن هندسات غير تقليدية دون فحص يدوي.
