Une antenne à réseau patch 1×2 chargée par une métasurface optimisée assistée par apprentissage profond est proposée pour réaliser simultanément le découplage des ports et de la forme de rayonnement, renforçant ainsi l'isolation entre les éléments dans un système MIMO (entrée multiple, sortie multiple). La méthode d'optimisation assistée par apprentissage profond utilise un réseau de neurones artificiels (ANN) et un algorithme d'optimisation par essaims de particules (PSO) pour rechercher la structure optimale de l'antenne afin d'obtenir un découplage des ports avec un diagramme de rayonnement non déformé. L'ANN est entraîné pour décrire la relation non linéaire entre les paramètres géométriques et la réponse de l'antenne. Sous la direction de la fonction de coût et du nombre d'itérations, l'algorithme PSO optimise la structure de l'antenne en fonction de la fonction de coût et combiné avec l'ANN entraîné. Enfin, en utilisant une fonction de coût contraignante, une antenne patch 1×2 chargée par une métasurface fixée par des goujons est obtenue, réalisant simultanément le découplage des ports et du diagramme de rayonnement. Pour valider ce principe et cette méthode de conception, un prototype d'antenne de dimensions 0,88λ₀×0,47λ₀×0,21λ₀ (λ₀ est la longueur d'onde dans l'espace libre à la fréquence centrale) a été conçu, fabriqué et mesuré. La bande passante fractionnaire mesurée est de 8 % (4,8–5,2 GHz). L'isolation de l'antenne patch binaire est passée de 7,6 dB à 24,3 dB, avec un coefficient de corrélation d'enveloppe (ECC) < 0,0005 à 0,35λ₀. De plus, le diagramme de rayonnement dans le plan H de chaque élément est uniforme et symétrique dans la direction à bord large. Ces caractéristiques rendent l'antenne proposée adaptée aux systèmes d'antennes MIMO à espacement réduit.

réseau de neurones artificiels;algorithme d'optimisation par essaims de particules;crosstalk;restauration du diagramme de rayonnement;métasurface