在天线设计中使用 AI

当速度至关重要且验证路径清晰易懂时，AI 最为有效：

• 早期设计探索：在毫秒级预测谐振频率、带宽、波束宽度或峰值辐射，以指导下一步仿真内容。
• 不完整的方向图数据：基于稀疏测量值（切面、不规则采样或不完整网格）重建完整三维辐射方向图，以便更快地进行下游阵列/系统仿真。
• 高成本的优化：使用替代方法 (SADEA/TR-SADEA) 以更少的全波计算次数收敛，并处理众多设计变量和约束。
• 更快的系统集成：更早生成可用的天线模型（即使测量数据有限），以便射频/无线团队能够运行波束成形、链路预算和端到端仿真，减少进度障碍。

在实践中，AI 有助于快速筛选想法。EM 仿真或测量随后确认最终设计。 

Antenna Toolbox 提供用于补充全波 EM 分析的 AI 赋能工作流：

• AIAntenna：使用支持天线类型的预训练模型进行快速分析
• patternFromAI：使用深度学习重建三维辐射方向图
• SADEA/TR-SADEA：以更少的全波 EM 计算次数进行优化
• 自定义训练工作流：生成 EM 数据集并训练模型
• 端到端集成：天线数据的导入、分析、可视化和系统级使用

是的，对天线团队而言，这是深度学习一种实用且极具价值的应用。patternFromAI 基于不完整输入（例如，少量切面或稀疏采样）重建三维辐射方向图。关键功能包括：

• 专为完整测量不切实际的工作流而设计 
• 生成适合工程分析的高保真方向图（例如，误差度量和结构相似性） 
• 适用于包括阵列在内的各种天线类型 
• 可帮助团队从不完整/部分天线数据转向可用于阵列/系统仿真的可用模型 
• 在可获得完整测量值和/或全波 EM 时与之对照进行验证

当您面临如下约束时，这尤其有用：

• 暗室使用受限
• 测量范围受限
• 仅有数据手册辐射切面
• 时间敏感的表征活动

预训练目录模型（通常通过 AIAntenna 访问）可作为所支持天线类型的快速替代评估器。您无需为每次几何形状调整运行完整 EM 求解，即可在可运行范围内快速估计谐振频率、带宽、波束宽度和峰值辐射等度量。通过这种方法，您可以：

• 运行快速参数扫描以了解敏感度和权衡。
• 在提交全波 EM 计算时间之前，筛选候选几何形状。
• 更快地作出首轮设计决策（尤其是在进度压力下）。
• 为优化和 EM/测量验证循环提供良好起点。

因此，您每天可以迭代更多概念，并将全波 EM 时间用在最关键之处。

AI 旨在补充（而不是替代）EM 仿真和测量。典型工作流使用 AI 减少迭代时间，然后通过全波 EM 和物理测试确认最终性能。在实践中，团队通常： 

• 将 EM 或测量的方向图数据导入 MATLAB 中进行分析、可视化和后处理 
• 生成 EM 数据集并训练适用于内部设计系列的自定义模型 
• 使用 AI 和替代优化 (SADEA/TR-SADEA) 减少高成本求解器调用次数，然后使用全波 EM 验证最终候选方案 
• 基于部分测量值 (patternFromAI) 重建完整方向图，从而为阵列和系统仿真扫清障碍 

这种方法帮助团队保留可信的 EM/测量签核流程，同时使用 AI 压缩设计迭代之间的时间。

系统和阵列工程师通常需要尽早获得完整天线模型，以评估端到端性能。AI 可帮助更快地生成可用的方向图数据（尤其是在仅有部分测量值时），从而使团队能够更早开始系统仿真，并减少后期意外事件。这种方法支持：

• 波束成形和阵列方向图合成（波束宽度、旁瓣、扫描损耗）
• 链路预算和覆盖率研究（例如，EIRP/接收功率与角度的关系）
• 天线安装和平台影响（与适当 EM 或导入数据配合使用时）
• 通信/雷达工作流的系统仿真输入（阵列性能、干扰研究和场景建模）

使用重建的或 AI 加速的天线模型，您可以直接进入：

• 相控阵分析和波束成形研究
• 射频链路预算和覆盖率建模
• 需要天线方向图输入的无线链路/信道仿真
• 依赖真实天线方向图的雷达系统仿真
• 早期数字孪生式研究和概念评估

结果是减少等待完整天线表征的时间，并能更早、更可信地进行系统权衡研究。

AI 结果应被视为需要验证的工程模型。在许多工作流中，优势在于速度：AI 帮助您快速迭代，然后使用可信参考（全波 EM 和/或暗室测量）验证最终候选方案。

最佳实践：

• 针对代表性设计，将趋势和关键度量与全波 EM 进行对比验证。
• 尽可能与同一天线/夹具的测量方向图进行对比。
• 确保设计处于模型的预期适用范围内。
• 使用 AI 结果加速决策，而不是跳过最终签核测试。

一项良好的经验法则是：使用 AI 提高迭代速度，并依靠 EM/测量值进行最终验证和合规确认。

当在预期设计或训练条件之外工作时（例如新颖拓扑结构、非常规材料/基板、极端带宽要求或非典型测量设置），请谨慎行事。在这些情况下，请使用 AI 指导探索过程，但以 EM 和测量值作为决策依据。同时，考虑使用您自己的 EM 数据集训练自定义模型。

此外：

• 避免将 AI 结果用作最终合规/鉴定决策的唯一来源。
• 注意外插情况。如果几何形状/约束超出预期范围，预计误差会更大。
• 使用 AI 减少全波迭代次数，而不是消除 EM 仿真。
• 对照已知参考验证重建的方向图。
• 保持从 AI 结果到最终验证的可追溯性。

谨慎使用 AI，能够在不损害工程严谨性的前提下提高吞吐量。

实用的快速上手方法是选择您已了解的问题并试用一种工作流：

• 快速分析：对支持的目录天线尝试基于 AI 的分析，并与少数参数点的全波 EM 进行对比。
• 方向图重建：从两个正交切面或稀疏采样开始，使用 patternFromAI 重建完整三维方向图。尽可能用已知方向图进行验证。
• 优化：对一个具有多个可调参数的天线使用替代优化 (SADEA/TR-SADEA)，以减少求解器调用次数。
• 文档示例：审阅 Antenna Toolbox 示例，例如 AI 和优化以及使用 AI 探索设计空间、分析和优化天线，获取可直接使用的脚本。