Investigadores han desarrollado un método innovador para la síntesis de patrones de cosecante al cuadrado en grandes redes planas, utilizando redes neuronales profundas informadas por la física. Este avance permite generar patrones de radiación con lóbulos laterales reducidos, algo crucial para aplicaciones como el radar y las comunicaciones, donde la precisión y la minimización de interferencias son fundamentales. La técnica se basa en la optimización de las fases de los elementos de la red, un desafío computacionalmente intensivo que tradicionalmente ha limitado la complejidad y el tamaño de las redes que podían ser diseñadas eficientemente.

El patrón de cosecante al cuadrado es deseable en sistemas de radar para proporcionar una cobertura uniforme en un rango de elevaciones, compensando la atenuación de la señal con la distancia. Sin embargo, la síntesis de estos patrones con lóbulos laterales bajos, que minimizan la energía radiada en direcciones no deseadas, es un problema complejo. Los métodos convencionales a menudo requieren un control tanto de la amplitud como de la fase de cada elemento, o bien, si solo se usa la fase, producen lóbulos laterales subóptimos o requieren un tiempo de cálculo excesivo para redes grandes.

La novedad de este trabajo reside en la integración de principios físicos directamente en la arquitectura de la red neuronal profunda. Al entrenar el modelo con datos generados a partir de ecuaciones electromagnéticas, la IA aprende a predecir las fases óptimas de los elementos de la red de manera mucho más eficiente que los algoritmos iterativos tradicionales. Esto permite diseñar redes planas de gran tamaño con un control preciso de los lóbulos laterales, abriendo la puerta a sistemas de radar y comunicación más avanzados y eficientes. Los resultados demuestran una mejora significativa en la reducción de los lóbulos laterales en comparación con las técnicas existentes, manteniendo al mismo tiempo la forma deseada del patrón de cosecante al cuadrado.