في عالم الإلكترونيات الحديثة، تبرز مضخمات القوة Doherty كحلول فعالة لتحسين الأداء الكلي للأجهزة. في هذا المقال، نستعرض ابتكارًا حديثًا يعتمد على الذكاء الاصطناعي لتصميم هذه المضخمات، حيث تم تقديم منهجية تصميم معكوسة تعتمد على شبكة عصبية عميقة (Deep Learning) لتحسين الأداء.

من خلال تطوير شبكة عصبية التفافية (Convolutional Neural Network - CNN) تعمل كنموذج بديل للإلكترونيات، سجل هذا الابتكار نجاحات ملحوظة في توقع معلمات S للمجمعات الكهربائية المرقعة، وبالتالي تحسين الكفاءة التشغيلية. استخدم الباحثون هذه الشبكة داخل إطار عمل Doherty الأسود (Black-Box) مع خوارزمية الجينات (Genetic Algorithm - GA) لتحقيق مجمعات معقدة تعزز من نطاق الكفاءة في التشغيل.

يأتي هذا النهج كفرصة لتطوير نماذج تأكيدية، حيث قام الباحثون بتصميم وتصنيع نماذج أولية لمضخّمات Doherty تتضمن مجمعات كهربائية ثلاثية المداخل. برهنت النتائج التجريبية عن كفاءة قصوى تجاوزت 74% مع قدرة خرج تتجاوز 44.1 dBm عند تردد 2.75 GHz. من الملحوظ أيضًا أن كفاءة التصريف ظلت فوق 52% عند مستوى طاقة 9 dB.

عندما تم اختبار هذه النماذج باستخدام موجة شبيهة بتقنية الجيل الخامس (5G New Radio - NR) في بيئات حقيقية، استطاعت كل تصميم تحقيق كفاءة متوسطة مضافة للطاقة تجاوزت 51% مع نسبة تسرب قناتي مجاورة أقل من -60.8 dBc بعد تطبيق إعداد مسبق رقمي (Digital Predistortion - DPD). هذا الابتكار ليس فقط خطوة نحو تحسين الأداء، ولكنه يمثل أيضًا مستقبلًا مشوقًا في مجال مضخمات القوة.