Machine learning-aided design of additively manufactured ridge gap waveguide components

Résumé

La rapide évolution des systèmes sans fil de nouvelle génération engendre des défis majeurs pour la conception de composants passifs compacts à hautes performances et d’antennes massives MIMO. Les processus de conception classiques des cellules unitaires de guide d’ondes à rainure (RGW) et de guide d’ondes à rainure imprimé (PRGW) reposent sur des simulations électromagnétiques (EM) pleine onde et des études paramétriques itératives pour déterminer les fréquences de bande d’arrêt, ce qui se traduit par des coûts de calcul prohibitifs, des délais d’exécution très longs et une généralisabilité limitée des formules de dispersion analytiques. Parallèlement, les progrès en électromagnétique computationnelle (CEM), notamment les résolveurs MoM, FEM et FDTD, ont amélioré la fidélité des modèles sans pour autant diminuer les besoins en mémoire et en puissance de calcul nécessaires à l’affinage manuel des conceptions. Motivée par le succès de l’apprentissage automatique (ML) dans d’autres domaines et par l’essor des recherches EM basées sur l’intelligence artificielle, cette thèse propose un cadre de synthèse entièrement automatisé et conscient des contraintes de fabrication pour les cellules unitaires RGW/PRGW, exploitant l’apprentissage supervisé pour remplacer le travail itératif manuel. Un jeu de données EM de haute fidélité couvrant de 3 à 300 GHz et intégrant les variations géométriques liées à la fabrication additive et aux matériaux diélectriques a été généré par des simulations automatisées. Des approches de programmation génétique (GP) et de réseaux de neurones artificiels (ANN) ont ensuite été implémentées, comparées et optimisées pour apprendre à la fois le passage direct (geometry → performance) et le passage inverse (performance → geometry) avec une précision proche de celle des méthodes pleine onde et des temps d’exécution drastiquement réduits (minutes contre heures/jours). Les contributions clés sont : - Le premier cadre de synthèse complet piloté par ML pour les cellules unitaires métalliques RGW/PRGW. - Un jeu de données EM évolutif et conscient des contraintes de fabrication couvrant 3–300 GHz. - Une comparaison systématique des méthodes GP et ANN en conception inverse, évaluées selon les métriques MSE, MAE, MAPE et les temps de calcul. - La conception, l’impression 3D et la validation expérimentale d’antennes MIMO PRGW à large bande, forte isolation et reconfigurables en diagramme de rayonnement, y compris un réseau origami 8 × 8 avec résonateurs diélectriques multipermittivité. Les résultats montrent que la synthèse assistée par ML peut suppléer aux itérations EM traditionnelles, ouvrant une voie évolutive vers des modules System-on-Package compacts et économiques pour les communications mm-wave. La thèse se conclut par une discussion des limitations et propose des pistes prometteuses pour le renforcement de l’apprentissage, la génération avancée de données et la modélisation inverse en conception EM.

Date	8 sept. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ghyslain Gagnon (Directeur(-trice)) & Dominic Deslandes (Codirecteur(-trice))