定制天线：AI如何为毫米波频段挑选像素拓扑
毫米波频段的天线设计是一项相当棘手的工作。对方向图、匹配和带宽的要求常常相互矛盾，而波长又非常小，几何上的任何细微误差都会改变最终结果。传统方法——手动调整辐射体的尺寸和形状——需要花费数周时间，尤其是在需要非标准响应的情况下。
应对这一挑战的方法之一是放弃传统的“平滑”形状，将天线表示为像素掩模：一组细小的单元，每个单元要么是金属，要么是空的。这样就形成了一个巨大的方案空间——数百万种组合。手动遍历是不可能的。但这正是现代机器学习所擅长的任务。
什么是用于毫米波的像素贴片天线
在2026年8月发表于arXiv的一篇论文中，一组研究人员描述了一个能够根据所需规格自动绘制天线图案的系统。这里讨论的是一种紧凑型贴片天线，工作频率为22至30 GHz——即毫米波频段及其所有复杂性。
该结构是一个矩形平面，被划分为19×23的像素网格。每个单元可以是导体或空隙。为了使天线可控，从馈电端口到辐射区域必须有一条连续的金属路径——否则电流无法到达所需区域。
像素方法本身早已为人所知：如果遍历足够多的组合，几乎肯定能找到具有所需特性的图案。问题在于，电磁仿真器中的每次验证都是一次完整的三维计算，耗时很长。数百万个方案在这里是难以承受的奢侈。
初步仿真揭示了数据不平衡问题
为了获取训练数据，作者在CST软件包中针对专门生成的随机像素掩模进行了约六千次全波仿真。结果发现，这些掩模中只有约40%具有谐振特性，即至少在一个频率上反射系数S11不高于−10 dB。换句话说，十分之六的随机设计是无用的——在这样的数据集上训练的AI可能会将“无用”误记为常态。
解决数据不平衡问题的经典方法是收集更多成功案例。但如果每次仿真成本高昂，而随机生成又无法频繁产出合格方案，这些成功案例从何而来？我们需要一种方法，在启动昂贵的计算之前就将“麦粒”与“谷壳”分开。
第一个AI——用于筛选有前景图案的过滤器
研究人员采用了一种巧妙的方法：他们训练了一个基于梯度提升的独立二元分类器，用于根据像素图案的外观预测天线是否具有谐振性。该模型运行即时，无需仿真。它被用作“守门人”：新的随机掩模首先通过过滤器，只有被分类器认为有前景的掩模才会被送往CST进行完整计算。
这种方法使得在原有数据基础上又增加了约四千次仿真，但输入材料已经过“筛选”。最终，合并后的万级样本数据集质量显著提升：谐振设计的比例从最初的40%上升到约52%。这是一个重要成果：因为后续的AI模型正是基于这一数据集进行学习，而样本越均衡，它们对天线行为的预测就越准确。
替代电磁求解器的代理模型
接下来，作者训练了一个混合神经网络，结合了卷积层和双向LSTM架构。这种组合非常适合同时具有空间结构（像素图像）和频率依赖性的数据。
该网络需要一次性输出完整的复数S11响应——即幅度和相位——在801个频点上。这是一个完整的“代理模型”：在寻找最优图案时，它替代了缓慢的电磁仿真器。
训练中特别强调了物理上重要的细节——谐振凹陷的深度。对天线而言，关键不仅在于“是否存在谐振”，还在于特定频率上的匹配质量。因此，研究人员在损失函数中加入了一个分量，对S11最小值预测不准确的模型进行严厉惩罚。
逆向设计：根据规格绘制天线
在快速代理模型训练完成后，最有趣的阶段开始了——逆向设计。研究人员没有生成数千个方案并通过网络“跑”它们，而是使用梯度下降。优化的对象并非图案本身，而是其在64维紧凑潜空间中的隐式表示。
这种在生成模型中常见的技术，允许以平滑的步长修改掩模，并每次询问网络：“这个图案是否符合所需的S11响应？”梯度会指示应如何调整参数，以使谐振频率、凹陷深度和曲线形状与目标一致。然后，最终的潜向量被解码回具体的像素图案。
CST中的验证表明：代理模型的预测与生成天线的实际电磁计算结果高度一致。两者之间的差异很小，这意味着所提出的流程确实适用于自动化设计。
这在实践中意味着什么
这项工作展示了一个闭环：少量仿真→用于筛选有用数据的分类器→快速代理模型→潜空间优化→最终天线图案。这种方法不仅加速了搜索过程，还为“重构”开辟了道路——即一个系统可以快速为更新后的需求提出新图案，例如针对不同的工作频率或带宽。
目前，这只是针对特定天线类别的实验室实验。但“让AI处理的不只是结果，而是拓扑搜索过程本身”这一理念，在微波设计的各个领域——从雷达到6G通信系统——都显得前景广阔。电动力学越复杂，能够无需手动遍历而寻找非平凡几何形状的工具就越有价值。
