BLOG

ANTENNENTOPOLOGIESUCHE BASIEREND AUF MASCHINELLEM LERNEN

OKTOBER 2022

DIE ZUKUNFT DES ANTENNEN DESIGNS

In der heutigen Welt findet Automatisierung Einzug in beinahe jede Branche.
Die Zeit ist gekommen den Entwicklungsprozess von Antennen neu zu
überdenken und Technologien wie maschinelles Lernen zu nutzen.
 - ©

DIE HERAUSFORDERUNG

Die Simulation von Antennen ist rechenintensiv und zeitaufwendig. Es erfordert Experten und Expertinnen mit langjähriger Erfahrung und fundierten Kenntnissen auf dem Gebiet der Hochfrequenztechnik (HF).

Basierend auf den gegebenen Rahmenbedingungen wird eine Antennentopologie gewählt, deren Strahlungsmuster bereits bekannt ist und sich als angemessener Ausgangspunkt eignet. Ausgehend von der gewählten Topologie ist ein iterativer Prozess notwendig, um eine endgültige Antennenform zu finden, welche die gewünschten Strahlungseigenschaften besitzt. Um eine passende Antennenform zu finden, müssen etliche Parameter angepasst werden und das daraus resultierende Strahlungsverhalten neu analysiert werden.
Wurde jedoch keine geeignete Ausgangstopologie gewählt, kann es sein, dass trotz umfangreicher Parametersuche keine Antennenform gefunden werden kann, welche das gewünschte Strahlungsverhalten aufweist.

MÖGLICHE LÖSUNG

Maschinelle Lernverfahren sind dafür bekannt in einigen speziellen Anwendungsfällen menschliche Experten/Expertinnen zu übertrumpfen. Beispiele dafür sind Bilderkennung, das Übersetzen von Sprachen und das Spielen von klassischen Brettspielen, sowie Videospielen.

In maschinellem Lernen werden Algorithmen eingesetzt, welche anhand von strukturierten Daten versuchen, eine vorgegebene Zielfunktion zu optimieren. Dabei werden vorkommende Muster in den Daten ausgenutzt, um die vorgegebene Aufgabe mit möglichst geringer Fehlerrate zu erfüllen. Im Vergleich zu regelbasierten Systemen, müssen Systeme, welche auf maschinellen Lernmethoden basieren, nicht explizit für eine Problemstellung programmiert werden. Es müssen lediglich ein für die Problemstellung angemessenes Lernverfahren und eine Zielfunktion ausgewählt werden.
 

Neuronale Netze

Bestimmte Methoden wie neuronale Netze, welche von Interkonnektivität der Neuronen in biologischen Gehirnen inspiriert sind, sind in der Lage arbiträre nicht-lineare Funktionen zu approximieren. Beispielsweise die Beziehung zwischen Farbwerten von Bildern und den darauf befindlichen Objekten kann durch Neuronale Netze modelliert werden. Um eine derartige Funktion lernen zu können, sind jedoch eine Menge an Beispielen notwendig, in etwa in der Größenordnung von 5000 Beispielen pro Klasse, die gelernt werden soll. (Dieser Wert ist abhängig von der Komplexität der Problemstellung und dient daher nur als Richtwert.)
 - ©

Mögliche Anwendung von maschinellem Lernen

Antennen werden unter anderem über ihre Geometrie und deren Reflektions-Koeffizienten definiert. Diese Parameter beeinflussen hauptsächlich das Strahlungsverhalten der Antenne. Grundsätzlich ist es notwendig, dass ein HF-Experte/eine Expertin mit verschiedensten Antennentopologien und deren Abstrahlverhalten vertraut ist, um eine angemessene Ausgangstopologie zu bestimmen. Diese Ausgangstopologie wird iterativ angepasst, um das gewünschte Abstrahlverhalten zu erzielen.

Maschinelles Lernen könnte eingesetzt werden, um den Experten/die Expertin bei der initialen Topologie-Suche zu ersetzen. Der Datensatz würde demnach aus bekannten Ausgangstopologien sowie deren Abstrahlcharakteristik und gewünschten Zielcharakteristiken bestehen. Ein Neuronales Netz wird dann darauf trainiert bei gewünschtem Abstrahlverhalten eine passende Ausgangstopologie vorzugeben. Von dieser vorgegebenen Topologie kann der Experte/die Expertin weitere Anpassungen vornehmen. Natürlich kann ein Modell auch trainiert werden direkt eine passende Geometrie vorzuschlagen, welche die gewünschten Eigenschaften besitzt. Meistens ist das Design einer Antenne nicht nur vom gewünschten Abstrahlverhalten abhängig, sondern auch von anderen Faktoren, wie die Limitierung der Baugröße, oder bestimmte Materialien, welche verwendet werden dürfen. Diese Einschränkungen müssen ebenso bei der Formulierung der Zielfunktion berücksichtigt werden.

Trainieren neuronaler Netzwerke

Es ist bekannt, dass neuronale Netze eine große Datenmenge benötigen, um ausreichendzu generalisieren und nicht einfach die Trainingsbeispiele auswendig zu lernen, oder sich auf Muster in den Daten versteifen, welche eigentlich nicht relevant sind, aber zufällig mit bestimmten Zielzuständen korrelieren und deswegen vom Modell als relevant empfunden werden.

Das Ziel beim Trainieren von Neuronalen Netzen ist es, den Zusammenhang zwischen den Eingabedaten und den dazugehörigen Zielwerten zu lernen, und zwar so weit, dass neue Eingabedaten ebenfalls richtigen Zielwerten zugeordnet werden können. Wenn das erreicht ist, dann hat das Modell generalisiert und kann auf neue Datenpunkte angewendet werden. Das größte Hindernis um ein generalisierendes Modell zu erhalten, ist eine ausreichende Anzahl an qualitativ hochwertigen Trainingsdaten. Das Zusammenstellen und Annotieren von Trainingsdaten nimmt oft die meiste Zeit in Anspruch beim Entwickeln eines Systems mit maschinellem Lernen.

Zusätzlich kommt hinzu, dass wenn neue Eingabedaten zu stark von den Trainingsdaten abweichen, beispielsweise durch die Entwicklung neuer Materialien, das Modell oftmals von neu auf Trainingsdaten, welche repräsentativ für aktuelle Problemstellungen sind, trainiert werden muss.
 - ©

Evolutionäre Algorithmen

Ein weiterer biologisch inspirierter Ansatz sind evolutionäre Algorithmen, welche zufällig generierte Antenne Designs erschaffen könnten. Diese zufällig generierten Designs werden evaluiert, ob sie die gewünschten Eigenschaften besitzen. Wenn das nicht der Fall ist, dann werden die vielversprechendsten Designvorschläge zufällig kombiniert permutiert, was zu einer neuen Population von Designs führt. Dieser Vorgang wird so lange wiederholt, bis ein bestimmter Performance-Schwellenwert erreicht wird, oder ein anderes Abbruchkriterium erfüllt ist.

Die Idee von evolutionären Algorithmen ist, dass die besten Kandidaten aus einer Population miteinander kombiniert und permutiert werden, um eine neue Population zu erzeugen, welche einerseits Eigenschaften von den besten Vorgängern besitzt und eventuell eine neue Kombination von Eigenschaften hervorbringt, welche die gewünschten Zieleigenschaften aufweisen. Solche Ansätze werden bereits verfolgt [1]. Nachteil von diesem Ansatz ist jedoch, dass es sich hierbei um ein rechenintensives Suchverfahren handelt und dieses für jede Aufgabenstellung von neuem durchlaufen werden muss.

(Referenzen: [1] Hornby, Greg & Globus, Al & Linden, Derek & Lohn, Jason. (2006). Automated Antenna Design with Evolutionary Algorithms. Collection of Technical Papers - Space 2006 Conference. 1. 10.2514/6.2006-7242.)
 

CONCLUSIO

Möglicherweise können diese beiden Ansätze kombiniert werden, um deren Nachteile aufzuheben. Dieses Unterfangen könnte nützliche Systeme hervorbringen, welche Forscher und Forscherinnen bei der Entwicklung von drahtlosen Technologien unterstützen.

Hier bei PIDSO streben wir stetig danach die Grenzen aktueller Technologien zu überwinden und neue Wege zu finden, um bessere Lösungen zu entwickeln.