论文标题：AI赋能射频设计：RF感知与智能识别

论文链接：https://www.mdpi.com/3042-5999/2/2/4

期刊名：AI Sensors

期刊主页：https://www.mdpi.com/journal/aisens

一、AI推动天线与RF器件智能优化

随着人工智能技术的发展，机器学习正逐渐改变传统射频（RF）器件和天线的设计模式。这篇来自英国曼彻斯特大学胡之润教授课题组的综述回顾了AI在射频设计领域的两类核心应用：代理模型（Surrogate Modeling）和逆向设计（Inverse Design）。

代理模型利用少量高精度仿真或实验数据构建快速预测模型，大幅降低了设计优化过程中对复杂电磁仿真的依赖，从而显著提升设计效率。逆向设计则以目标电磁性能为起点，结合机器学习算法快速搜索满足要求的器件结构，为复杂射频器件设计提供了新的解决思路。

文章指出，尽管AI能够有效加速设计流程，但最终性能仍需通过高精度全波电磁仿真及实验验证进行确认。因此，人工智能并非取代传统设计方法，而是成为连接理论分析、数值仿真与工程实现的重要桥梁，为新一代智能射频器件开发提供了有力支撑。

图1. 与AI赋能射频设计与感知流程相关的鲁棒性与不确定性量化示例

二、从数据驱动走向系统协同

在射频感知领域，人工智能不仅作用于识别算法本身，更贯穿于信号采集、数据预处理、特征构建和智能推理的整个流程。

综述强调，AI模型学习到的"射频特征"并非目标本身固有的属性，而是由天线性能、射频硬件、测量环境、校准方式以及信号预处理等多个环节共同决定。因此，评估RF感知系统性能时，应将硬件设计、测量系统与AI算法视为一个完整的端到端系统，而非仅关注模型准确率。

文章进一步分析了实际部署过程中面临的挑战，例如不同设备、不同环境、不同测试条件带来的领域偏移（Domain Shift）问题，以及边缘设备计算资源受限对模型部署提出的新要求。作者指出，未来RF智能感知的发展方向应更加重视跨场景泛化能力、系统鲁棒性以及标准化测试体系建设，使实验室成果能够更加可靠地应用于真实环境。

图2. 学习型RF感知中的射频特征表示

三、总结与展望

人工智能正深刻推动射频设计与射频感知技术的发展。从AI辅助天线与RF器件优化，到基于机器学习的智能射频感知系统，二者正在逐步形成贯穿设计—测量—数据处理—智能识别的完整技术链。

文章认为，未来AI赋能RF技术的发展重点，不仅在于进一步提升算法性能，更在于构建覆盖硬件、测量、数据处理和智能推理的协同优化体系。通过建立更加规范的评测标准、更加完善的数据共享机制以及更具可重复性的实验流程，AI驱动的射频系统有望实现更高的可靠性、泛化能力和工程应用价值，为智能通信、无线感知、物联网和未来无线系统的发展提供更加坚实的技术支撑。

期刊介绍

主编：Prof. Dr. Chengkuo Lee, National University of Singapore, Singapore

AI Sensors期刊致力于探讨和分享人工智能 (AI) 在传感技术领域的最新进展。随着边缘计算的兴起，新型传感器越来越多地部署于分布式环境中，方便数据处理与决策可在更接近数据源的地方实现。这一转变在人工智能与物联网 (AIoT) 的背景下尤为关键，人工智能与物联网的融合正推动着智能互联系统的发展。

Time to First Decision：18 Days

Acceptance to Publication：7 Days