Aplicação de Técnicas de Aprendizado de Máquina na Modelagem de Antenas

Resumo

As antenas são componentes chaves dos modernos sistemas de comunicação sem fio. O seu projeto deve ser conduzido de tal maneira que garanta um ótimo desempenho conforme a sua aplicação. Com o crescimento das redes 5G e a popularidade da Internet da Coisas (IoT), novas metodologias devem ser aplicadas para o desenvolvimento de antenas de alta performance que atendam a essas demandas. Entretanto, o projeto de tais antenas ainda é um desafio, devido ao grande número de parâmetros do projeto. Os softwares de simulação eletromagnética são as principais ferramentas na modelagem de antenas na atualidade, no entanto, requerem um alto custo computacional e um longo tempo de execução, tornando-se proibitivo do ponto de vista da otimização, que dependendo do número de parâmetros a serem otimizados, requer múltiplas simulações da estrutura da antena. Para enfrentar esses desafios na modelagem de antenas complexas e outras estruturas eletromagnéticas, as técnicas de aprendizado de máquina podem ser altamente promissoras. Essas técnicas nos permitem utilizar um modelo regressivo na forma de um modelo substituto que realiza um mapeamento entre os parâmetros da estrutura da antena e seus índices de desempenho (Ex. Ganho, coeficiente de reflexão, eficiência, etc). Portanto, este trabalho tem por objetivo a investigação de aplicações de técnicas de aprendizado de máquina que são mais suscetíveis na modelagem de antenas. Com o modelo regressivo treinado, é possível a aplicação de meta-heurísticas de otimização com redução do custo computacional, em relação aos tradicionais simuladores eletromagnéticos utilizados em projetos de antenas. O presente trabalho investiga e compara modelos regressivos que pertencem a 8 famílias: modelos lineares, regressão ridge e LASSO, processo gaussiano, árvores de regressão, comitês de aprendizado de máquinas, redes neurais, aprendizagem profunda, máquinas de vetor de suporte. Para a composição da base de dados que alimentam o modelo regressivo, duas antenas com diferentes estruturas e faixas de operação, foram escolhidas. Conforme as suas especificações técnicas, o banco de dados com os parâmetros físicos foi gerado a partir de simulações eletromagnéticas com o auxílio do software Ansys HFSS, obtendo assim, pares de entrada e saída com base em variáveis predefinidas em um formato pseudoaleatório dentro do espaço de projeto da antena. A métrica utilizada para a avaliação dos modelos é o erro médio quadrático (MSE), com o objetivo de se alcançar um valor mínimo. Para a antena dipolo impressa foram geradas 171 amostras, com uma frequência de operação em 3,5 GHz. A antena Quasi-Yagi foi projetada para operar em três larguras de banda diferentes centradas em 1,95, 2,6 e 3,5 GHz, sendo geradas 1888 amostras de treinamento. Resultados preliminares mostraram que a aplicação de redes neurais artificiais retornou resultados satisfatórios, mostrando alta concordância entre os valores simulados e preditos.  Com a continuidade do trabalho, espera-se encontrar outros modelos e arquiteturas que possam ser utilizadas como modelo substituto, conseguindo redução do custo computacional em relação aos tradicionais métodos de projetos de antenas, com uma melhor capacidade de generalização.