積層製造/AI演算法加持　毫米波帶通濾波器輕鬆上太空(1)

高功率、輕量的射頻(RF)被動元件對於衛星通訊酬載至關重要，並且必須在通訊連結的傳輸路徑中，處理整個頻率範圍不斷增加的峰值/平均功率。粉床融合金屬積層製造(AM)製程已發展成熟，在傳統機械加工可能過於複雜或無法使用的情況下，成為開發任意形狀RF和微波元件的突破性技術。

在太空應用方面，產業仰賴測試來減少系統故障。在實驗室環境中重現太空條件以進行驗證，不僅昂貴、耗時，最後結果也不可靠。因此，在RF元件的設計程序中運用人工智慧(AI)最佳化技術具有巨大影響力。本文展示基於物理的模擬技術在最佳化毫米波帶通濾波器(Band-pass Filter)的應用，包含從建模/合成到製程的過程，使其可安全地發射上太空以用於衛星通訊。

背景介紹

積層製造(Additive Manufacturing, AM)預期將成為標準製造技術，廣泛用於許多工業應用中，從醫療植入物和拋棄式外科器材，到航太成形設備和衛星通訊系統^[1-3]。積層製造技術可確保生產出可能不適合採用傳統「減法式(Subtractive)」製造技術的複雜幾何結構。該技術越來越受歡迎，為工程師和設計師提供彈性，打造具備增強的RF、熱和機械效能的客製化和最佳化設計^[4-5]。藉由處理設計權衡(Trade-off)並維持RF元件的精確機械構造，可使其尺寸(Dimension)在達到300GHz的高頻率下仍保持精密公差^[6-7]。

衛星通訊(SATCOM)市場規模預估將在2026年達到413.3億美元。在能源、石油和天然氣、國防及其他產業中，對於低軌道小型衛星的使用需求增加。5G行動網路預計將提供高速的網際網路、高畫質影音串流、更佳的效率，並為物聯網(IoT)裝置提供即時連線能力，由此確保以4G三倍的速度，提供無處不在的連接。此外，毫米波(mmWave)通訊已成為5G直接用戶存取系統實作最具吸引力的技術之一^[8]。因此，5G行動網路和衛星運作的共存需求至關重要，將有助於將行動數據網路覆蓋範圍延伸至空中、海洋及其他偏遠區域等小型行動網路無法覆蓋的地方。

地球上僅有10%的區域在地面通訊範圍內(即行動數據和Wi-Fi)，因此，衛星在提供全球物聯網連線能力上扮演重要角色。然而，設計、建造、發射和監控衛星的成本可能十分可觀。衛星需要能夠確保長期可靠性、具備可承受發射和進入軌道過程的設計餘量(Design Margin)，並且在整個規畫運作壽命期間進行維護，這些需求使得衛星的成本和重量居高不下。有鑑於此，工程師亟需輕量元件與組件，開始探索作為替代製程的3D列印技術，其有助於導入單晶片波導子系統(Monolithic Waveguide Subsystem)^[9-10]。

本文呈現了毫米波波導濾波器組件從建模、最佳化到製程的設計流程。本文所提出的設計製造工作流程可普遍應用於多種射頻應用，例如具有複雜饋入線路的相位陣列天線，或具有極化器(Polarizer)、耦合器(Coupler)及功率分配器(Power Divider)的多波束主動式天線陣列。採用先進的AI最佳化技術，可將28GHz波導帶通濾波器最佳化，並維持標準設計規格。下文所描述之選擇性雷射燒結的製程模擬方法，可減少浪費與建造時間，同時在組件製程期間維持足夠的支撐結構。

然而，內部機械支撐需求可能會產生額外的後處理挑戰。此即為以CAE為基礎的支撐生成工具可加以善用之處，以找出最佳建構時間，同時將變形趨勢及支撐體積降到最低。一旦取得最佳的支撐結構拓撲和建構方向後，就可使用耦合熱結構FEA模擬來模擬積層製造建構程序，並針對特定建構方向和支撐策略估計建構中的殘餘應力。這對衛星通訊技術來說非常重要，對於衛星通訊來說，能夠減少任何酬載重量皆為有利情況。本文也同時展現具有不同導電材料屬性之積層製造零件的測量值，將與模擬結果進行比較。

28GHz波導組件帶通濾波器的EM設計及最佳化

本文展示在以28GHz為中心的毫米波頻段中運作的七階帶通濾波器的建模與實作，其通帶(Pass-band)頻寬為3GHz(26.5~29.5)，通帶插入及回波損耗分別為≤1dB和≥15dB。為符合設計規格，採用AI最佳化核心搭配稱為AI調校(Tuning)之先進強化深度學習(DL)技術及修改的空間對應(Space Mapping)技術，可微調(Fine-tune)所合成的初始結果。兩種最佳化演算法都和Ansys HFSS^[11]中的3D Full Wave EM求解器整合，並且可自動驅動。

人工智慧(AI)最佳化技術

首先，智慧型最佳化會從微擾系統開始，透過(1)在尺寸偏差與來自擷取耦合矩陣的錯誤資訊之間建立關係。如圖1所示，其中S(.)是將耦合矩陣或完整3D EM模型轉換為等效S參數的函數。

S(d)參數來自於3D full-wave EM的解。微擾系統啟動後，會發生少量尺寸修改S(d+Δd)，耦合矩陣中的對應錯誤可被擷取S(M+ΔM)。在微擾過程中，係數α用來對應全3D建模變化與耦合矩陣變化之間的關係。在此過程中，可運用以「獎勵」和「懲罰」為特色的深度學習系統，來確保達成正確的收斂方向。此外，也透過穩定控制系統和智慧收斂系統，以進行線性或非線性基多項式擬合技術，同時監控「特徵」值，避免模型崩潰，確保運作過程的穩定性。

空間對應最佳化技術

此方法首先將以微擾偏差矩陣(Deviation Matrix)作為輸入，透過非線性方式將幾何資訊與擷取的錯誤資訊對應以執行最佳化，如圖2所示，其中B逼近Jacobian函數並定義精細模型尺寸變化。更新格式可使用Broyden矩陣表示^[12]。SynMatrix工具^[13]提供兩種訓練方法(完整訓練方法和智慧型訓練方法)，以生成偏差矩陣，提供詳細的線性或非線性數學對應關係。完整訓練的系統能夠訓練耦合矩陣中的每個參數，並建立偏差矩陣；智慧型訓練則將考慮寄生耦合互動效應，根據使用者定義的拓撲來智慧偵測關鍵參數。

雖然上述兩種方法都能達到最終設計目標，但使用智慧型訓練方法(包括寄生耦合影響，定義因不需要的RF訊號路由而導致的能源洩漏)經證實可將最佳化效率提升達90%。圖3顯示最終最佳化的帶通濾波器，運作於28GHz。執行此模擬時使用Ansys HFSS' 3D Full Wave Finite Element求解器^[11]。此外，在模擬設計上執行參數研究、靈敏度和製造公差分析，可調查可能影響整體效能的未來製造公差和設計權衡，同時維持3D列印製程的自由形式。

積層製造/AI演算法加持　毫米波帶通濾波器輕鬆上太空(1)

積層製造/AI演算法加持　毫米波帶通濾波器輕鬆上太空(2)