An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas
Radioelectronics. Nanosystems. Information Technologies. · 14.04.2026 · 18 (2) · 155-162
DOI: 10.17725/rensit.2026.18.155 ↗Kurz gefasst
Fachartikel in der Zeitschrift Radioelectronics. Nanosystems. Information Technologies., online erschienen am 14.04.2026. Verfasst von Аймен Дейя Халил und 3 weiteren Autor:innen.
Abstract (Originalsprache)
Представлена новая многоцелевая модель глубокой нейронной сети на основе программируемой логической интегральной схемы (ПЛИС), которая может быть использована для оптимизации антенн с несколькими входами и несколькими выходами (MIMO) mmWave в режиме реального времени. В отличие от традиционных суррогатных моделей, которые прогнозируют только один из параметров производительности, предлагаемый подход одновременно изучает сложные нелинейные корреляции между коэффициентом отражения (S11) и взаимной связью (S12), а также реализованный коэффициент усиления и коэффициент корреляции огибающей (ECC) на наборе многовыходных DNN, обученных на двухполупериодной частоте. данные моделирования из хранилища IEEE_LAT_AM-T-9776. Суррогатная модель реализована на ПЛИС Xilinx Zynq UltraScale+ FPGA с 16-битным квантованием с фиксированной точкой, а время вывода сокращено до менее чем 1 мс, что позволяет адаптировать конструкцию в ходе итеративного процесса для приложений реального времени. Подробные таблицы характеристик показывают, что система работает лучше, чем обычные современные методы, как с точки зрения электромагнитных характеристик, так и с точки зрения вычислительной эффективности. Предложенная конструкция обеспечивает S11 на уровне -35.2 дБ, изоляцию более -27 дБ, усиление 8.7дБ и ECC менее 0.001, в то время как время, затрачиваемое на оценку конструкции, на три порядка меньше, чем при оптимизации методами, основанными на двухполупериодной волне. Такие результаты демонстрируют целесообразность включения аппаратно-ускоренного суррогатного обучения при разработке антенн следующих поколений, что вносит ценный вклад в интеллектуальное проектирование антенн 5G и будущих беспроводных систем.
Zitieren
APA
Халил, А. Д., Нури, А. С., Абид, А. С., & Ахмед, А. Ф. (2026). An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas. Radioelectronics. Nanosystems. Information Technologies., 18(2), 155-162. https://doi.org/10.17725/rensit.2026.18.155
Vancouver
Халил АД, Нури АС, Абид АС, Ахмед АФ. An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas. Radioelectronics. Nanosystems. Information Technologies.. 2026;18(2):155-162. doi:10.17725/rensit.2026.18.155
BibTeX
@article{2026,
author = {Халил, Аймен Дейя and Нури, Ахмед Сабах and Абид, Абдулла Саад and Ахмед, Анас Фуад},
title = {An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas},
journal = {Radioelectronics. Nanosystems. Information Technologies.},
year = {2026},
volume = {18},
number = {2},
pages = {155--162},
doi = {10.17725/rensit.2026.18.155}
}
EUVIMED