Se propone una antena de matriz de parches 1×2 cargada con una metasuperficie optimizada con asistencia de aprendizaje profundo para lograr simultáneamente el desacoplamiento de puertos y del patrón de radiación, mejorando así el aislamiento entre elementos en sistemas MIMO (entrada múltiple, salida múltiple). El método de optimización asistido por aprendizaje profundo utiliza una red neuronal artificial (ANN) y el algoritmo de optimización por enjambre de partículas (PSO) para buscar la estructura óptima de la antena que logre el desacoplamiento de puertos con un patrón de radiación sin distorsión. La ANN se entrena para describir la relación no lineal entre los parámetros geométricos y la respuesta de la antena. Bajo la guía de la función de costo y el número de iteraciones, el algoritmo PSO optimiza la estructura de la antena según la función de costo y combinada con la ANN entrenada. Finalmente, mediante una función de costo restringida, se obtiene una antena de matriz de parches 1×2 con una metasuperficie fijada con pasadores que logra simultáneamente el desacoplamiento de puertos y del patrón de radiación. Para validar este principio y método de diseño, se diseñó, fabricó y midió un prototipo de antena con dimensiones de 0.88λ₀×0.47λ₀×0.21λ₀ (donde λ₀ es la longitud de onda en el espacio libre a la frecuencia central). El ancho de banda fraccional medido es del 8% (4.8–5.2 GHz). El aislamiento de la antena de parche binario aumentó de 7.6 dB a 24.3 dB, con un coeficiente de correlación del sobre (ECC) <0.0005 a 0.35λ₀. Además, el patrón de radiación en el plano H de cada elemento es uniforme y simétrico en la dirección de borde ancho. Estas características hacen que la antena propuesta sea adecuada para sistemas de antenas MIMO con espaciado cercano.

red neuronal artificial;algoritmo de optimización por enjambre de partículas;interacción mutua;restauración del patrón de radiación;metasuperficie