Obsah
- Jak automatické tunery pracují dnes
- Přístupy z výzkumu
- 1. Genetické algoritmy
- 2. Neuronové sítě
- 3. Reinforcement learning
- Co už existuje: tunery, které si pamatují antény
- Stupeň 1: paměť místo hledání
- Stupeň 2: měřit a počítat místo zkoušení
- Stupeň 3: „Tune Once“ v demonstrátoru
- Open-source projekty ke spolustavbě
- Jak by mohl vypadat AI tuner v shacku
- Výzvy a hranice
- Vyzkoušejte si to sami
- Dvě videa k pozadí
- Příbuzné AI aplikace v shacku
- Závěr
- Zdroje a další odkazy
- Transparenzhinweis
Anténní tuner (ATU, Antenna Tuning Unit) je pro radioamatéry každodenní nástroj. Upraví impedanci anténního systému tak, aby transceiver viděl obvyklých 50 ohmů. Automatické tunery to zvládnou na stisk tlačítka. Otázka tohoto článku: Co by na tom mohlo strojové učení zlepšit, co je doloženo a co je zatím jen nápad? Upřímná odpověď hned na začátek: Z výzkumu existuje několik prací, hotový produkt „AI tuneru" pro amatérské rádio jsme při rešerši nenašli.
Jak automatické tunery pracují dnes
Většina automatických tunerů je L-článek složený z cívky a kondenzátoru. Relé připojují různé hodnoty kapacity a indukčnosti, mikrokontrolér měří PSV (SWR) a zkouší kombinace tak dlouho, až je přizpůsobení v pořádku. U LDG AT-11MP je to podle příručky 256 stupňů kapacity a 256 stupňů indukčnosti, doba ladění se pohybuje od 0,1 do 6 sekund, v průměru kolem 2,5 sekundy.
Důležité: Už klasické tunery se trochu „učí". Ukládají nalezená nastavení, aby byly na stejné frekvenci hned zase připraveny. Elecraft KAT500 například dělí kmitočtový rozsah na segmenty (pod 3 MHz po 10 kHz, od 3 do 26 MHz po 20 kHz) a nastavení si pamatuje pro každý segment. Pokud je segment ještě prázdný, začne s hodnotami nejbližšího uloženého segmentu. U LDG AT-1000ProII uvádějí prodejci dobu ladění z paměti pod 0,2 sekundy. Nová frekvence naproti tomu trvá déle, podle datového listu v průměru kolem 3 sekund.
Kde tedy zbývá prostor ke zlepšení? U frekvencí a antén, které tuner ještě nikdy neviděl, u složitých zátěží s více stejně dobrými řešeními a u zařízení, která se mění s počasím a ročním obdobím. Pro provoz v závodech (v němčině), kde se počítá každá změna pásma, by to bylo zajímavé.
Přístupy z výzkumu
Problém „přizpůsobit impedanci přepínáním hodnot součástek" je ve vědě dobře prozkoumán, ale téměř výhradně pro mobilní sítě, WLAN a další aplikace v pásmu GHz, nikoli pro krátké vlny s vysokovýkonnými relé. Relevantní jsou tři směry.
1. Genetické algoritmy
Genetický algoritmus vytvoří „populaci" kombinací součástek, ponechá nejlepší, kříží je a mutuje a celý postup opakuje. Alibakhshikenari a kolegové (Scientific Reports, 2020) používají kvantově inspirovanou variantu (AQGA) k vyladění T-článku mezi transceiverem a anténou v rozsahu 1,4 až 5 GHz. Jejich měření: o 49 až 75 procent kratší doba ladění než s klasickým genetickým algoritmem, při 1,4 GHz v průměru 6,5 místo 26,1 sekundy, a výrazně méně výpočetních kroků (zhruba 190 až 440 místo 15 000 až 577 000 epoch). Z této práce neplyne, že je genetický algoritmus rychlejší než dobrý klasický vyhledávací algoritmus v rádiu, jen že se dá zlepšit.
2. Neuronové sítě
Zde natrénovaná síť určí hodnoty součástek přímo, bez dlouhého zkoušení. Kim a Bang (Sensors, 2021) natrénovali hlubokou neuronovou síť, která z velikosti S11 určuje hodnoty přizpůsobovací sítě pro invertovanou anténu F (0,8 až 1,5 GHz). Trénovalo se na simulovaných datech, trénink trval zhruba 10,5 minuty. Hasan a Cheffena (IEEE Access, 2023) ukazují zvlášť malou variantu „shallow learning" pro 2,45 GHz, která také potřebuje jen velikost S11. Starší, ale blíže mikrokontroléru v tuneru: Hemminger (2005) použil tři malé neuronové sítě pro tunery s dvojitým stubem, s cílem vytvořit levný systém s mikrokontrolérem.
Lákavé je to proto, že PSV metr dodává jen velikost činitele odrazu, ne jeho fázi. Síť, která přesto dokáže rozumně odhadovat, by byla zajímavá i pro jednoduchý hardware.
3. Reinforcement learning
U reinforcement learningu (RL) se agent učí odměnou, které kroky přepínání vedou k cíli. Práce Zhanga, Chenga, Wanga a Chena (arXiv, duben 2026) popisuje ladění jako regulační problém a nasazuje hluboký RL. Jako stav slouží kmitočtové charakteristiky a kvalita přizpůsobení, odměna váží přesnost a rychlost. Podle autorů je metoda přesnější, efektivnější a stabilnější než klasické heuristické a gradientní postupy. Konkrétní čísla v anotaci nebyla, práce je navíc předtisk a dosud neprošla recenzí. Několik amerických patentů také popisuje ladění podporované RL a ML, hlavně pro antény mobilních telefonů.
Co už existuje: tunery, které si pamatují antény
S tunerem se skutečnou neuronovou sítí jsme se nesetkali. Ale průmysl i domácí konstruktéři už kus cesty k „inteligentnímu“ přizpůsobení ušli, a to ve třech stupních.
Stupeň 1: paměť místo hledání
Klasikou mezi tunery, které se učí, je SGC SG-237 „Smartuner“ (1,8 až 60 MHz, 3 až 100 W PEP). Energeticky nezávislá paměť uchovává již nalezené kombinace L/C pro 170 kmitočtů. Podle datového listu trvá první naladění typicky méně než 2 sekundy, opakovaný případ méně než 10 milisekund. Tuner se mezitím přestal vyrábět. Na stránce OE3MZC sbírají rakouští uživatelé své zkušenosti, včetně problémů: některé délky drátu nešlo naladit, jeden tuner se zasekl na 50 MHz a špatné uzemnění vedlo k neklidnému chování. To je dobrá nápověda, jak silně závisí učící se metoda na zařízení.
Stupeň 2: měřit a počítat místo zkoušení
MFJ-939 IntelliTuner (200 W, 1,8 až 30 MHz) jde o krok dál. Pokud pro kmitočet nic v paměti není (přes 20 000 paměťových míst), spustí se algoritmus „AdaptiveSearch“. Změří komplexní impedanci antény, vypočítá potřebné součástky, připojí je a poté dolaďuje na minimální PSV. Leží-li impedance mimo měřicí rozsah, hledá cíleně jen v odpovídajících rozsazích součástek a v případě potřeby hledání zopakuje s jiným vzorem. To je přesně ta kombinace výchozího bodu a jemného ladění, kterou níže popisujeme jako nápad, jen bez trénování. Podle popisu trvá nové naladění „zlomek sekundy“.
Stupeň 3: „Tune Once“ v demonstrátoru
Southwest Antennas ukazuje KV auto-tuner (1,8 až 30 MHz) jako technologický demonstrátor pro systémové integrátory. Podle výrobce se technika „Tune Once“ učí úspěšná řešení ladění, ukládá je až na 512 kanálů a později je vyvolává. Výrobce také mluví o tom, že se vyhodnocují tisíce kombinací přizpůsobení. Jak to uvnitř funguje, tam není uvedeno. Zda jde o strojové učení v užším smyslu, zůstává otevřené. Je to ale oblast, ve které průmysl experimentuje s profesionálními rádiovými platformami.
Open-source projekty ke spolustavbě
Kdo chce začít sám, najde solidní platformy. Žádná z nich neobsahuje strojové učení, ale všechny mají hardware (přepínatelné stupně L a C) a mikrokontrolér, na který by se dala učící metoda nasadit:
- ATU_0_HW od DM1CR (papamidas): návrh v KiCadu pro LC/CL tuner s 256 stupni kapacity (0 až 2,5 nF) a 256 stupni indukčnosti (0 až 15 µH), Arduino Nano, bistabilní relé (25 až 45 mA), ovládání přes Bluetooth aplikaci, deset paměťových tlačítek pro pásma.
- ATU od DM3MAT (Hannes Matuschek): malý přenosný QRP tuner pro drát o délce zhruba 10 m s UnUn 1:9 na pásmech 80 až 10 m. Hardware i firmware jsou pod licencí CC BY-SA 4.0. Autor označuje stav jako první prototyp.
- K3NG Antenna Tuner: automatický tuner na bázi Arduina od známého open-source vývojáře, GPL-3.0.
- UR7HFO: Simple Automatic Antenna Tuner: úsporný tuner na STM32F103, se schématy a soubory Gerber.
- TCI ICOM Tuner Interface: firmware pro ESP32, který přes WLAN připojuje tuner ICOM AH-4 k SDR s protokolem TCI. Zajímavé jako příklad toho, jak ESP32 dostává data o kmitočtu od vysílačky. Přesně tuto informaci by učící se tuner potřeboval.
Poznámka pro zařazení: vědecký nástroj AntennaCAT používá strojové učení k návrhu antén pomocí EM simulace. To je příbuzné, ale není to tuner.
Jak by mohl vypadat AI tuner v shacku
Tato část je úvaha, ne popis produktu:
- Učení za provozu: Tuner zaznamenává frekvenci, anténu, výstupní PSV a nalezené nastavení. Z těchto dat vznikne model, který u známých antén poskytne dobrý výchozí bod.
- Výchozí bod plus dolaďování: Model navrhne nastavení, klasický algoritmus pak doladí jeden až dva kroky. Výsledek tak zůstane dobrý i tehdy, když se něco změnilo, například mokrými anténami nebo změněným okolím.
- Rozpoznání antény: Z impedančních vzorů lze odvodit, jaká anténa právě visí. EFHW (v němčině) se chová jinak než dipól nebo magnetická smyčka (v němčině).
Výzvy a hranice
- Naměřená data: PSV metr dodává jen velikost, ne komplexní impedanci. S velikostí a fází (například přes NanoVNA nebo měřicí můstek v tuneru) je úloha snazší.
- Vysoký výkon: Práce se zabývají signály o výkonu miliwattů v pásmu GHz. Na krátkých vlnách při 100 W až 1 kW spínají relé vysoké napětí. Zde se smí ladit jen naprázdno nebo při velmi malém výkonu, aby kontakty nevyhořely.
- Výpočetní výkon: Malé modely běží na mikrokontrolérech, velké RL sítě potřebují víc. Edge AI hardware jako Google Coral nebo NVIDIA Jetson by byl možnou cestou.
- Trénovací data a přeučení: Model natrénovaný jen na jedné anténě na jiné funguje špatně. U každého nového zařízení by se musel doučit.
- Bezpečnost: Učící se postup nesmí nikdy zvolit nastavení, která ohrožují transceiver. Mezní hodnoty PSV a výkonu musí zůstat napevno naprogramované.
Vyzkoušejte si to sami
Kompletní AI ladění je kutilství pro pokročilé. Vstup nabízí open source tuner ATU-100 (mikrokontrolér PIC, zdokumentovaný například jako projekt na PCBWay). Učící vrstva navíc, například tabulka zapamatovaných nastavení nebo malý model na Raspberry Pi, by byl přehledný experiment. Praktický příklad příbuzných AI experimentů najdete v článku Automatické dekódování CW pomocí neuronových sítí (v němčině).
Dvě videa k pozadí
Jak tuner funguje, vysvětlují tato dvě videa (obě v angličtině). Zabývají se klasickými tunery, ne AI. Poskytují ale základ, na kterém by musela stavět každá AI varianta.
První film („How Does an Antenna Tuner Work?" od Budget Ham Radio) ukazuje pomocí NanoVNA, jak T-článek vyrovnává nepřizpůsobení.
Druhý („Antenna Tuners: How does it do THAT?" od Electronics for the Inquisitive Experimenter) vysvětluje princip přizpůsobení.
Příbuzné AI aplikace v shacku
- AI podporované potlačení šumu (v němčině)
- AI a předpověď šíření (v němčině)
- Automatické dekódování CW (v němčině)
- ChatGPT a Claude jako asistenti v shacku (v němčině)
Závěr
Myšlenka vylepšit anténní tunery strojovým učením je vědecky dobře podložená. Genetické algoritmy, neuronové sítě a reinforcement learning byly pro přizpůsobení impedance už zkoumány. Čísla ale pocházejí z pásma GHz a z malých výkonů. Pro krátké vlny podle naší rešerše neexistují ani měřicí řady, ani produkt pro amatérské rádio s prokazatelně natrénovaným modelem. Cesta k tomu je ale už vytyčená: od čisté paměti (SG-237) přes měření a výpočet (MFJ IntelliTuner) až po řešení, která se učí, jako demonstrátor Southwest. A otevřený hardware, například tunery od DM1CR a DM3MAT, čeká jen na to, až někdo přidá vrstvu učení. Dnešní tunery jsou rychlé a nastavení si pamatují, velký zisk času by byl myslitelný hlavně u nových frekvencí a nových antén. Kdo chce experimentovat, může to dělat na vlastní odpovědnost, s pevnými bezpečnostními limity pro PSV a výkon.
73 – vaše redakce oeradio.at
Zdroje a další odkazy
- Zhang, Cheng, Wang, Chen: An Adaptive Antenna Impedance Matching Method via Deep Reinforcement Learning, arXiv:2604.07736, duben 2026 (předtisk)
- Alibakhshikenari et al.: Improved adaptive impedance matching for RF front-end systems of wireless transceivers, Scientific Reports 10, 14065 (2020), DOI 10.1038/s41598-020-71056-0
- Kim, Bang: Antenna Impedance Matching Using Deep Learning, Sensors 21(20), 6766 (2021), DOI 10.3390/s21206766
- Hasan, Cheffena: Adaptive Antenna Impedance Matching Using Low-Complexity Shallow Learning Model, IEEE Access, 2023
- Hemminger: Antenna impedance matching with neural networks, Penn State, 2005
- Patenty: US 11,882,527 (Data-driven methods for look up table-free closed-loop antenna impedance tuning) a US 11,916,606 (Machine learning-assisted adaptive antenna tuning)
- Elecraft: KAT500 Owner's Manual (paměť pro každý kmitočtový segment)
- LDG: AT-1000ProII u WiMo (údaje z datového listu), příručka AT-11MP (stupně a doba ladění)
- Produkty: SGC SG-237 Smartuner (uživatelská stránka OE3MZC), MFJ-939 IntelliTuner, Southwest Antennas HF Auto-Tuner (údaje výrobce)
- Open Source: ATU_0_HW (DM1CR), ATU (DM3MAT), K3NG Antenna Tuner, UR7HFO STM32 tuner, TCI ICOM Tuner Interface, AntennaCAT
- IZ2UUF: How does a tuner… tune? a Electronics Notes: Co je ATU? (základy)
- Videa: Budget Ham Radio, Electronics for the Inquisitive Experimenter (YouTube)
- Obrázky: Titulní obrázek a pohled dovnitř: Adamantios, Wikimedia Commons, CC BY-SA 3.0. L-článek: Ken g6, Wikimedia Commons, volné dílo.
Transparenzhinweis
Tento článek byl zpracován a napsán s podporou AI (Claude, Anthropic). Redakce všechny obsahy zkontrolovala a redakčně upravila. Přes pečlivou kontrolu se mohou ojediněle vyskytnout nepřesnosti, o upozornění budeme rádi na [email protected].
