कस्टम एंटेना: कैसे AI मिलीमीटर-वेव बैंड के लिए पिक्सेल टोपोलॉजी चुनता है
मिलीमीटर-वेव एंटेना डिज़ाइन करना एक नाजुक काम है। रेडिएशन पैटर्न, मैचिंग और बैंडविड्थ की आवश्यकताएं अक्सर एक-दूसरे के विपरीत होती हैं, और तरंगदैर्ध्य इतना छोटा होता है कि ज्यामिति में कोई भी अशुद्धि तस्वीर बदल देती है। क्लासिकल दृष्टिकोण — रेडिएटर के आकार और रूप को मैन्युअल रूप से समायोजित करना — में हफ्तों लग जाते हैं, खासकर जब एक गैर-मानक प्रतिक्रिया की आवश्यकता होती है।
इस कार्य से निपटने का एक तरीका परिचित "चिकने" आकारों को छोड़ना और एंटीना को पिक्सेल मास्क के रूप में प्रस्तुत करना है: छोटी कोशिकाओं का एक सेट, जिनमें से प्रत्येक या तो धातु है या खाली है। परिणाम विकल्पों का एक विशाल स्थान है — लाखों संयोजन। उन्हें मैन्युअल रूप से पार करना असंभव है। लेकिन यह ठीक वही कार्य है जिसे आधुनिक मशीन इंटेलिजेंस अच्छी तरह से संभालता है।
मिलीमीटर तरंगों के लिए पिक्सेल पैच एंटीना क्या है
अगस्त 2026 में arXiv पर प्रकाशित एक लेख में, शोधकर्ताओं के एक समूह ने एक ऐसी प्रणाली का वर्णन किया है जो आवश्यक विनिर्देश के अनुसार स्वचालित रूप से एंटीना पैटर्न बनाती है। यह 22 से 30 GHz तक की आवृत्तियों के लिए डिज़ाइन किए गए एक कॉम्पैक्ट पैच एंटीना के बारे में है — यानी मिलीमीटर बैंड अपनी सभी जटिलताओं के साथ।
संरचना एक आयताकार सतह है जो 19×23 पिक्सेल के ग्रिड में विभाजित है। प्रत्येक कोशिका एक कंडक्टर या एक खाली जगह हो सकती है। एंटीना को नियंत्रित करने में सक्षम होने के लिए, फीडिंग फीडर से विकिरण क्षेत्र तक एक निरंतर धातु पथ गुजरना चाहिए — अन्यथा करंट केवल आवश्यक क्षेत्रों तक नहीं पहुंचेगा।
पिक्सेल दृष्टिकोण अपने आप में लंबे समय से जाना जाता है: यदि पर्याप्त संयोजनों को आज़माया जाए, तो लगभग निश्चित रूप से आवश्यक गुणों वाला एक पैटर्न मिल जाएगा। समस्या यह है कि इलेक्ट्रोमैग्नेटिक सिम्युलेटर में प्रत्येक जांच एक पूर्ण त्रि-आयामी गणना है जिसमें बहुत समय लगता है। लाखों विकल्प यहां एक अस्वीकार्य विलासिता हैं।
पहले सिमुलेशन ने असंतुलन की समस्या दिखाई
प्रशिक्षण डेटा प्राप्त करने के लिए, लेखकों ने विशेष रूप से उत्पन्न यादृच्छिक पिक्सेल मास्क के लिए CST पैकेज में लगभग छह हजार फुल-वेव सिमुलेशन चलाए। यह पता चला कि इनमें से केवल लगभग 40% मास्क में ही अनुनाद होता है, यानी कम से कम एक आवृत्ति पर S11 प्रतिबिंब गुणांक −10 dB से अधिक नहीं होता है। दूसरे शब्दों में, दस में से छह यादृच्छिक डिज़ाइन बेकार हैं — ऐसे सेट पर प्रशिक्षित AI "बेकारता" को आदर्श के रूप में याद रखने का जोखिम उठाता है।
असंतुलित डेटा की समस्या का क्लासिकल समाधान — बस अधिक सफल उदाहरण एकत्र करना है। लेकिन उन्हें कहां से प्राप्त करें, यदि प्रत्येक सिमुलेशन महंगा है, और यादृच्छिक पीढ़ी अक्सर उपयुक्त विकल्प नहीं देती है? महंगी गणना शुरू करने से पहले अनाज को भूसे से अलग करने का एक तरीका चाहिए।
पहला AI — आशाजनक पैटर्न के चयन के लिए फ़िल्टर
शोधकर्ताओं ने सुंदर ढंग से काम किया: उन्होंने ग्रेडिएंट बूस्टिंग पर आधारित एक अलग बाइनरी क्लासिफायर को प्रशिक्षित किया, जिसे पिक्सेल पैटर्न की उपस्थिति से भविष्यवाणी करनी चाहिए कि एंटीना अनुनादी होगा या नहीं। यह मॉडल तुरंत काम करता है और सिमुलेशन की आवश्यकता नहीं होती है। इसे "द्वारपाल" के रूप में उपयोग किया गया था: नए यादृच्छिक मास्क पहले फ़िल्टर से गुजरते थे, और केवल वे जिन्हें क्लासिफायर आशाजनक मानता था, पूर्ण गणना के लिए CST में भेजे जाते थे।
इस दृष्टिकोण ने मूल डेटा में लगभग चार हजार और सिमुलेशन जोड़ने की अनुमति दी, लेकिन पहले से ही "छाने गए" इनपुट सामग्री के साथ। परिणामस्वरूप, दस हजार नमूनों का संयुक्त सेट काफी बेहतर गुणवत्ता का हो गया: अनुनादी डिज़ाइनों का अनुपात मूल 40% से बढ़कर लगभग 52% हो गया। यह एक महत्वपूर्ण उपलब्धि है: आखिरकार, अगले AI मॉडल इसी आधार पर सीखते हैं, और नमूना जितना अधिक संतुलित होगा, वे एंटीना व्यवहार की उतनी ही सटीक भविष्यवाणी करेंगे।
इलेक्ट्रोमैग्नेटिक सॉल्वर के बजाय सरोगेट मॉडल
इसके बाद, लेखकों ने एक हाइब्रिड न्यूरल नेटवर्क को प्रशिक्षित किया जो कन्वोल्यूशनल परतों और द्विदिश LSTM आर्किटेक्चर को जोड़ता है। ऐसा संयोजन उन डेटा के लिए उपयुक्त है जिनमें स्थानिक संरचना (पिक्सेल छवि) और आवृत्ति पर निर्भरता दोनों होती है।
नेटवर्क को 801 आवृत्ति बिंदुओं पर पूरा जटिल S11 प्रतिक्रिया — यानी आयाम और चरण — तुरंत आउटपुट करना चाहिए। यह एक पूर्ण "सरोगेट मॉडल" है: यह इष्टतम पैटर्न की खोज करते समय धीमे इलेक्ट्रोमैग्नेटिक सिम्युलेटर को बदल देता है।
प्रशिक्षण में विशेष जोर एक भौतिक रूप से महत्वपूर्ण विवरण पर दिया गया है — अनुनाद गर्त की गहराई। एंटीना के लिए केवल "अनुनाद होना" ही महत्वपूर्ण नहीं है, बल्कि किसी विशिष्ट आवृत्ति पर मैचिंग कितनी अच्छी है। इसलिए, शोधकर्ताओं ने लॉस फंक्शन में एक घटक जोड़ा जो S11 के न्यूनतम की गलत भविष्यवाणी के लिए मॉडल को कड़ी सजा देता है।
रिवर्स डिज़ाइन: विनिर्देश के अनुसार एंटीना बनाना
तेज़ सरोगेट मॉडल में महारत हासिल करने के बाद, सबसे दिलचस्प चरण आता है — इनवर्स डिज़ाइन। हजारों विकल्प उत्पन्न करने और उन्हें नेटवर्क के माध्यम से "चलाने" के बजाय, शोधकर्ता ग्रेडिएंट डिसेंट का उपयोग करते हैं। केवल पैटर्न ही अनुकूलित नहीं होता — बल्कि 64 आयामों वाले कॉम्पैक्ट लेटेंट स्पेस में इसका छिपा हुआ प्रतिनिधित्व होता है।
जनरेटिव मॉडल से परिचित यह तकनीक, मास्क को सुचारू चरणों में बदलने और हर बार नेटवर्क से पूछने की अनुमति देती है: "क्या ऐसा पैटर्न आवश्यक S11 प्रतिक्रिया से मेल खाता है?" ग्रेडिएंट्स संकेत देते हैं कि अनुनाद आवृत्ति, गर्त की गहराई और वक्र के आकार को वांछित से मिलाने के लिए मापदंडों को किस दिशा में समायोजित करना है। फिर तैयार लेटेंट वेक्टर को वापस एक विशिष्ट पिक्सेल पैटर्न में डिकोड किया जाता है।
CST में जांच से पता चला: सरोगेट मॉडल की भविष्यवाणियां और उत्पन्न एंटेना के लिए वास्तविक इलेक्ट्रोमैग्नेटिक गणनाएं अच्छी तरह से मेल खाती हैं। उनके बीच का अंतर छोटा है, जिसका अर्थ है कि प्रस्तावित पाइपलाइन वास्तव में स्वचालित डिज़ाइन के लिए उपयुक्त है।
व्यवहार में इसका क्या मतलब है
यह कार्य एक बंद लूप प्रदर्शित करता है: सिमुलेशन का एक छोटा सेट → उपयोगी डेटा के चयन के लिए क्लासिफायर → तेज़ सरोगेट मॉडल → छिपे हुए स्थान में अनुकूलन → तैयार एंटीना पैटर्न। यह दृष्टिकोण न केवल खोज को तेज करता है, बल्कि "पुनर्विन्यास" का मार्ग भी खोलता है — जब एक प्रणाली अद्यतन आवश्यकताओं के लिए जल्दी से एक नया पैटर्न सुझा सकती है, उदाहरण के लिए, किसी अन्य कार्य आवृत्ति या बैंड के लिए।
फिलहाल यह एंटेना के एक विशिष्ट वर्ग पर एक प्रयोगशाला प्रयोग है। लेकिन "परिणाम को नहीं, बल्कि टोपोलॉजी खोजने की प्रक्रिया को AI से गुजारने" का विचार माइक्रोवेव डिज़ाइन के विभिन्न क्षेत्रों — रडार से लेकर 6G संचार प्रणालियों तक — के लिए आशाजनक दिखता है। इलेक्ट्रोडायनामिक्स जितना जटिल होगा, उन उपकरणों का मूल्य उतना ही अधिक होगा जो मैन्युअल खोज के बिना गैर-तुच्छ ज्यामिति खोजते हैं।
