【AI天線設計小教室 Part1】應該如何設定變數才會包含所有的天線設計組合呢? AI能夠幫我找到最好的解答嗎?
By Daniel, helios-robot
Updated in April, 2022
摘要
天線設計是非常困難的一件工作，從饋入點的位置選擇，架構的選擇，形狀的選擇，接地的選擇，甚至是匹配網路與環境變異都會影響到整體的效能，而且還會受到附近天線或系統雜訊的影響，而造成效能下降。因此，在這篇文章中，我將以自身數十年的設計經驗為各位分享，在電磁模擬環境中應該要如何透過妥善的設置變數，才能把各種的組合都考慮進去。若各位業界先進有更好的方式，也歡迎彼此交流分享。智動化科技透過AI協助客戶解決各種天線設計難題。
天線架構的選擇：
要能夠有效利用AI的運算力幫您找到最好的組合，會需要有一個近似的架構作為出發點。什麼叫作是近似的架構? 以常用的天線架構來說，PIFA/Monopole/Loop都是非常合適的架構可以讓AI去做搜索，饋入的方式也可以有直接饋入跟耦合的兩種架構供您參考。我們進一步將其作成表格會更清楚。可以看到光是這幾種方式就可以創建9種架構，窄頻的設計可以直接從裡面找到合適的結果，寬頻的設計很可能就需要搭配Tuner或Switch做切換，至少包含兩個以上的架構去完成所有頻帶需求。
PIFA
Direct Fed
Capacitive Coupled
Monopole
Direct Fed
Capacitive Coupled
Loop
Direct Fed
Capacitive Coupled
天線形狀的選擇：
形狀的組合是千變萬化的，要怎樣做設定才能夠包含各種形狀呢?其實我們可以用這幾個簡單的幾何工具來拓展出所有的解空間。
疊加(Add)
直線以及曲線段的XY方向移動 + XY方向長短
相減(Subtract)
以大塊金屬XY方向移動+XY方向的長短為基底 扣除 (直線以及曲線段的XY方向移動 + XY方向長短)
卡在局部最佳解的該如何解決?
如果您在設計的時候，碰到有某些頻率點總是效能低落，無論更改形狀都無法解決同樣的問題。這代表您的設計已經落入局部最佳解的狀態， 附近的任何變化以及組合都已經無法比這個結果更理想。要能夠跳出這個固定框架，最有效的方式就是更改饋入與接地點的位置。會建議您將這兩個位置設定變數，嘗試著移動XY座標。
AI如何協助我找到最佳解答?
智動化科技的AI算法是採用自我學習的方式，將您設定的參數作為輸入，模擬的結果作為輸出，並搭配您指定的規格來做標記與進行神經網路運算。AI算法會在所有的可能的解空間進行跳躍，避開落入局部最佳解的問題。每一種的組合對應的分數可以協助AI進行學習，分數越高代表這個的設計結果越佳。
對未知的設計難題，組合越多越好、區間越大越好
當您碰到非常困難的問題，不知道如何下手的時候。這個時候組合數量越龐大，參數區間在不違反設定邏輯的條件之下越大越好。這個時候，AI可以針對各種可能的組合進行跑分計算，幫您快速找到哪一種架構會是最好，有助於您縮短求解的時間。
立刻註冊— 歡迎業界先進來使用我們的服務，採用我們設計資料庫，讓AI為您完成各種設計。最棒的地方是，您無須購買任何模擬軟體或硬體，也無須自行操作。您只需要提供規格以及設計方向，我們為您提供結果，而您僅需支付軟體服務費用，專利以及設計圖都歸屬於您。
