Abstract
<jats:p>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.</jats:p>