6G太赫兹MIMO天线设计 + 回归机器学习（ETR）性能预测 —— 附CST/ADS联合仿真与RLC建模

一句话总结：本文设计了一款基于石墨烯的THz MIMO天线，结合RLC等效电路与极端随机树（ETR）机器学习模型，在带宽、增益、隔离度等关键指标上全面超越现有设计，为6G通信与生物医学应用提供了高效、可预测的天线设计框架。

一、研究背景：为什么THz天线是6G的关键？

6G通信正朝着太赫兹（0.1–10 THz）频段迈进，这一频段能提供远超5G的带宽，支持Tbps级数据速率、全息通信、触觉互联网等新兴应用。

然而，THz频段也面临巨大挑战：

• 传播损耗高

• 天线效率易受材料与结构影响

• 传统微带贴片天线在高频下性能急剧下降

为此，研究者开始探索：

• 石墨烯材料：高导电性、可调谐、适合THz频段

• MIMO架构：提升信道容量与空间多样性

• 机器学习：替代耗时的全波仿真，实现快速性能预测

二、实验方法：论文是如何设计这个天线的？

1. 天线结构设计

• 材料：

  • 辐射贴片与地平面：石墨烯（厚度3 μm）

  • 衬底：聚酰亚胺（厚度6.6 μm，εr=3.5）

• 几何特征：

  • 中央水平椭圆槽

  • 两侧垂直椭圆槽

  • 上部三个星形槽

  • 地平面带金字塔形开槽

2. 设计演化（4个阶段）

从简单矩形贴片逐步加入槽结构与地平面修改，最终实现6个谐振频率。

3. MIMO配置对比

比较了三种MIMO排列方式（0°、180°、90°），发现90°垂直排列性能最优，隔离度最低达-34.2 dB。

4. 机器学习建模

• 输入参数：13个几何参数（贴片、馈线、衬底、槽等）

• 输出目标：天线效率

• 数据集：130个样本（通过参数扫描生成）

• 模型：

  • 决策树（DT）

  • 岭回归（RR）

  • 随机森林（RF）

  • 高斯过程回归（GPR）

  • 极端随机树（ETR）

三、图文解析：论文中的重要原图分析

以下图片均标注了在原文PDF中的页码与图号，便于对照阅读。

图2 | 单元素天线的顶视图与底视图

原文位置：Page 5, Fig. 2

该图展示了单元素天线的完整几何结构，包括：

• 中央椭圆槽

• 两侧椭圆槽

• 上部星形槽

• 馈线两侧切口

• 地平面的金字塔形槽

✅解读：这是整个天线设计的“蓝图”。复杂的槽结构不是为了美观，而是为了引入局部电容效应，从而调控谐振频率与带宽。

图3 | 单元素天线的演化过程

原文位置：Page 6, Fig. 3

从Stage 1到Stage 4，天线逐步加入：

• 槽结构

• 地平面开窗

• 最终实现多谐振行为

✅解读：这一演化过程非常典型，体现了渐进式优化的设计思想。每一阶段都基于前一轮仿真问题（如回波损耗差、效率低）进行针对性改进。

图4 | 各阶段性能对比（增益、回波损耗、效率）

原文位置：Page 7, Fig. 4

• (a) 增益：Stage 4 增益最高，达8.93 dB

• (b) 回波损耗 S11：Stage 4 出现多个深谐振峰

• (c) 效率：从Stage 1的不足50%提升到Stage 4的84%

✅解读：这张图是论文的核心说服力来源，直观展示了设计演化的有效性。

图9 | 三种MIMO配置对比

原文位置：Page 10, Fig. 9

• (a) Ant 1：0° 并排

• (b) Ant 2：180° 倒置

• (c) Ant 3：90° 垂直排列

✅解读：配置方式对MIMO天线的互耦（S21）影响极大。Ant 3 被最终选中，正是因为其最低的互耦。

图12 | 最终MIMO天线的 S11 与 S21

原文位置：Page 12, Fig. 12

• (a) S11：6个谐振频率，最深达-56.2 dB

• (b) S21：最低-34.2 dB，隔离极佳

✅解读：S11 越负越好（≤ -10 dB 合格），S21 越负表示互耦越低。该天线在这两方面都远超常规设计。

图13 | 增益与效率

原文位置：Page 13, Fig. 13

• 峰值增益：13.41 dB

• 峰值效率：90%

✅解读：在THz频段实现13 dB增益 + 90%效率，是非常优秀的成绩。

图14 | ECC 与 DG

原文位置：Page 14, Fig. 14

• ECC：最低 0.00013（理想为0）

• DG：最高 9.9993（理想为10）

✅解读：这两个指标衡量MIMO天线的多样性性能。ECC越低、DG越高，说明各天线之间越“独立”，适合MIMO通信。

图17 | RLC等效电路

原文位置：Page 16, Fig. 17

• 每个谐振频率对应一组 RLC 并联支路

• 几何特征（槽、馈线、隔离墙）映射为 R、L、C

✅解读：这是电路级建模的关键。RLC模型使得天线行为不依赖电磁仿真工具，便于系统级集成。

图18 | CST 与 ADS 仿真对比

原文位置：Page 17, Fig. 18

• 蓝色：CST（全波仿真）

• 红色：ADS（RLC电路模型）

✅解读：两者高度吻合，证明RLC模型能够准确替代全波仿真，为后续ML建模打下基础。

图25 | 极端随机树（ETR）预测效果

原文位置：Page 21, Fig. 25

• 蓝色：真实效率

• 红色：ETR预测值

✅解读：预测值与真实值几乎重合，说明ETR模型在该任务中表现极佳。

图26–27 | 模型误差与精度对比

原文位置：Page 22, Fig. 26–27

• MAE、MSE、RMSE：ETR 最低

• R² 与 Variance Score：ETR 最高（98.91%）

✅解读：ETR在5种模型中全面领先，是该天线效率预测的最优选择。

四、总结与启示

这篇论文的工程价值在于：

• 材料 + 结构 + ML三者的深度耦合

• 用机器学习替代部分电磁仿真，显著降低优化成本

• RLC电路模型为系统级设计提供可移植性

如果你希望进一步了解：

• 如何复现这类ML天线优化流程

• 如何从CST导出数据训练ETR模型

• 或想获取论文PDF与代码示例

欢迎在公众号后台留言，我们会继续推出更多干货解读。

注：更多关于CST参数化建模的前沿知识小编之前有推荐，可以详查置顶文章：告别手动扫S参数！cst/fdtd+python/matalb/mlp实现fss正向预测及天线结构逆向设计

如果您觉得文章不错，欢迎点赞、关注、收藏及转发~