شهدت تقنية مضخمات الطاقة تقدماً ملحوظاً بفضل الابتكارات في التعلم العميق (Deep Learning)، حيث قدمت ورقة بحثية جديدة منهجية تصميم معقدة لمضخم طاقة دوهرتي المنكوب (Inverted Doherty Power Amplifier) بطريقة متقدمة. تعتمد هذه الطريقة على الشبكات العصبية الالتفافية (Convolutional Neural Networks - CNNs) والخوارزميات الجينية (Genetic Algorithms - GAs) لتوليد شبكات تجمع بين العديد من الوظائف الفنية دون الحاجة لفصلها.

تم اختبار هذه المنهجية بنتائج عملية من خلال تصميم وتصنيع نموذج أولي لمضخم طاقة يعتمد على ترانزستور GaN HEMT. وقد أظهر النموذج الأولي كفاءة ذروة تبلغ بين 51%-63% وكفاءة في الاسترجاع بمعدل 48%-54% في نطاق ترددي يتراوح بين 1.9-2.5 غيغاهرتز. كما تم قياس القدرة الناتجة لتبلغ حوالي 44±0.3 ديسيبل ميلي واط. وأضفى تطبيق تقنية التشويه الرقمي (Digital Predistortion - DPD) مزيداً من النقاء على الأداء، ليظهر النموذج الأولي نسبة تسرب قنوات مجاورة (Adjacent Channel Leakage Ratio - ACLR) أفضل من -53.2 ديسيبل.

تتجلى أهمية هذا البحث ليس فقط في تطوير مضخمات الطاقة بل أيضاً في توظيف أساليب التعلم العميق لحل مشاكل معقدة في تصميم الدوائر الإلكترونية. يفتح هذا النوع من الابتكارات آفاق جديدة للعديد من التطبيقات في مجال الاتصالات وتقنيات القوة.

ما رأيكم في هذا التطور الجديد؟ هل ترون أن التعلم العميق سيغير طريقة عملنا في تصميم الدوائر الإلكترونية؟ شاركونا آرائكم في التعليقات.