机器学习辅助的高隔离度毫米波MIMO天线设计及其在5G应用中的性能优化

《IEEE Latin America Transactions》：Machine Learning Assisted mm-Wave MIMO Antenna Design with High Isolation for 5G Applications

　　本刊编辑推荐：针对5G毫米波MIMO天线设计中隔离度提升的技术难题，研究人员开展了环形谐振器集成结构与机器学习算法协同优化的创新研究。通过系统比较有无环形谐振器的两种设计变体，并采用决策树、随机森林等五种机器学习算法预测回波损耗，结果表明随机森林算法在MSE、MAPE等指标上表现最优，且环形谐振器的引入显著改善了ECC（0.00000138）、DG（≈10）、TARC（0.0639）等关键参数，为5G毫米波天线设计提供了数据驱动的新范式。

　　

随着第五代移动通信技术（5G）的快速发展，毫米波（mm-Wave）频段因其巨大的带宽潜力成为实现高速数据传输的关键。然而，在毫米波频段设计多输入多输出（MIMO）天线系统面临严峻挑战：高频信号易受传播损耗影响，且天线单元间过强的互耦效应会显著降低系统性能。传统天线设计依赖经验试错和电磁仿真软件（如HFSS）的反复迭代，过程耗时且难以保证最优解。如何在有限设计周期内实现高隔离度、低相关性、且满足5G严苛指标的天线系统，成为业界亟待突破的技术瓶颈。

在此背景下，Ramasamy R.D、Rajavel V.D和Rachit Jain在《IEEE Latin America Transactions》上发表了题为《机器学习辅助毫米波MIMO天线设计及其在5G应用中的高隔离度实现》的研究论文。该研究创新性地将环形谐振器结构引入毫米波MIMO天线设计，并融合五种机器学习算法进行参数优化，为实现高性能天线系统提供了新思路。

为系统评估环形谐振器的作用，研究团队设计了渐进式实验方案：首先构建工作于39.5 GHz的基准矩形贴片天线，随后通过引入弯曲槽结构优化带宽至5.42%（38.57–40.72 GHz），最终形成2×2 MIMO阵列。研究关键对比了有无环形谐振器的两种配置：无谐振器时天线增益为7 dB，互耦系数介于-9.99 dB至-12.77 dB；而集成环形谐振器后，增益提升至9 dB，互耦显著降低至-24.85 dB至-26.41 dB，

同时回波损耗（S₁₁）优化至-34.24 dB至-39.23 dB。这些数据印证了环形谐振器通过改善电流分布，有效增强了天线单元间的隔离性能。

在优化方法上，研究团队建立了包含15,012个数据点的样本库，涵盖天线长度（1.72–2.93 mm）、宽度（2.24–3.64 mm）和频率（32.5–45 GHz）的参数空间。通过HFSS仿真获取S参数后，采用80%数据训练决策树、随机森林、K近邻（KNN）、XG-Boost和梯度提升回归（GBR）五种模型，剩余20%用于测试。

结果显示，随机森林算法在R²（0.992）、MSE（0.389）、MAPE（0.004%）等指标上全面领先，其拟合时间（0.808 s）与预测时间（0.032 s）的平衡也体现工程实用性。

关键技术方法包括：1）基于HFSS的电磁仿真构建天线参数数据库；2）环形谐振器集成与MIMO阵列优化；3）五种机器学习算法对比验证；4）基于S参数的天线性能指标（ECC、DG、TARC等）计算。

MIMO天线性能分析

通过公式计算包络相关系数（ECC）、分集增益（DG）和总有效反射系数（TARC），研究显示环形谐振器结构使ECC降至0.00000138，DG接近理想值10，TARC为0.0639。

这些指标证实该设计在降低信道相关性、提升信号可靠性方面的优势。此外，信道容量损失（CCL）分析通过特征模分析（CMA）优化电流分布，进一步抑制了互耦效应。

机器学习优化效果

算法对比表明，随机森林凭借其集成学习特性，在预测回波损耗时误差最小且泛化能力最强。

研究还记录了各算法的计算效率，如KNN拟合时间仅0.004 s，但预测精度（R²=0.990）略逊于随机森林，为不同资源约束下的算法选择提供了参考。

设计演进验证

从初始微带线馈电的贴片天线（带宽3.76%）到最终弯曲槽结构（带宽5.42%），

三阶段演进验证了结构优化对性能的逐步提升。环形谐振器的引入更使谐振频率稳定于39.5 GHz附近，且辐射效率显著改善。

本研究通过环形谐振器与机器学习的协同创新，成功实现了毫米波MIMO天线性能的跨越式提升。随机森林算法以0.992的R²值和0.389的MSE值，证明了数据驱动方法在天线参数预测中的高可靠性。尤为重要的是，环形谐振器结构将互耦抑制至-26.41 dB，ECC降至百万分之一量级，这些指标为5G毫米波设备的小型化与高性能化奠定了理论基础。该研究不仅提供了可复制的天线优化框架，更开创了机器学习与电磁设计深度融合的新路径，对未来6G太赫兹通信技术的演进具有前瞻性意义。