Indice
- Come lavorano oggi gli accordatori automatici
- Approcci dalla ricerca
- 1. Algoritmi genetici
- 2. Reti neurali
- 3. Reinforcement Learning
- Cosa esiste già: accordatori che ricordano le antenne
- Stadio 1: memoria invece di ricerca
- Stadio 2: misurare e calcolare invece di provare
- Stadio 3: "Tune Once" nel dimostratore
- Progetti open source da costruire insieme
- Come potrebbe essere un accordatore con IA nello shack
- Sfide e limiti
- Provare da soli
- Due video di approfondimento
- Altre applicazioni dell'IA nello shack
- Conclusione
- Fonti e link di approfondimento
- Nota di trasparenza
Un accordatore d'antenna (ATU, Antenna Tuning Unit) è uno strumento quotidiano per i radioamatori. Trasforma l'impedenza del sistema d'antenna in modo che il transceiver veda i consueti 50 ohm. Gli accordatori automatici lo fanno premendo un pulsante. La domanda di questo articolo: che cosa potrebbe migliorare il machine learning, che cosa è documentato e che cosa è finora solo un'idea? Subito la risposta onesta: dalla ricerca esistono alcuni lavori, ma durante la nostra ricerca non abbiamo trovato alcun prodotto «accordatore con IA» già pronto per i radioamatori.
Come lavorano oggi gli accordatori automatici
La maggior parte degli accordatori automatici è una rete a L composta da una bobina e un condensatore. I relè inseriscono diversi valori di capacità e induttanza, un microcontrollore misura il ROS (SWR) e prova combinazioni finché l'adattamento non è corretto. Nel caso dell'LDG AT-11MP, ad esempio, secondo il manuale ci sono 256 livelli di capacità e 256 di induttanza, il tempo di accordatura va da 0,1 a 6 secondi, in media circa 2,5 secondi.
Importante: anche gli accordatori classici «imparano» un po'. Memorizzano le regolazioni trovate, così alla stessa frequenza sono subito pronti. L'Elecraft KAT500, ad esempio, divide la gamma di frequenza in segmenti (sotto i 3 MHz larghi 10 kHz ciascuno, da 3 a 26 MHz larghi 20 kHz ciascuno) e ricorda la regolazione per ogni segmento. Se un segmento è ancora vuoto, parte con i valori del segmento memorizzato più vicino. Per l'LDG AT-1000ProII i rivenditori indicano un tempo di accordatura dalla memoria inferiore a 0,2 secondi. Una frequenza nuova richiede invece più tempo, secondo la scheda tecnica in media circa 3 secondi.
Dove c'è quindi margine di miglioramento? Con frequenze e antenne che l'accordatore non ha mai visto, con carichi complicati che ammettono più soluzioni ugualmente buone e con impianti che cambiano con il meteo e le stagioni. Per l'attività contest, dove conta ogni cambio di banda, sarebbe interessante.
Approcci dalla ricerca
Il problema «adattare l'impedenza commutando valori di componenti» è ben studiato in ambito scientifico, ma quasi esclusivamente per telefonia mobile, WLAN e altre applicazioni in GHz, non per le onde corte con relè di potenza. Tre direzioni sono rilevanti.
1. Algoritmi genetici
Un algoritmo genetico genera una «popolazione» di combinazioni di componenti, conserva le migliori, le incrocia e le muta, e ripete il processo. Alibakhshikenari e colleghi (Scientific Reports, 2020) usano una variante di ispirazione quantistica (AQGA) per accordare una rete a T tra transceiver e antenna nella gamma da 1,4 a 5 GHz. Le loro misure: tempo di accordatura ridotto dal 49 al 75 per cento rispetto a un algoritmo genetico classico, a 1,4 GHz in media 6,5 invece di 26,1 secondi, e un numero nettamente inferiore di passi di calcolo (circa da 190 a 440 invece di 15.000 a 577.000 epoche). Da questo lavoro non risulta che un algoritmo genetico sia più veloce di un buon algoritmo di ricerca classico in un apparato radio, ma solo che può essere migliorato.
2. Reti neurali
Qui una rete addestrata determina direttamente i valori dei componenti, senza lunghi tentativi. Kim e Bang (Sensors, 2021) hanno addestrato una rete neurale profonda che ricava dal modulo di S11 i valori di una rete di adattamento per un'antenna F invertita (da 0,8 a 1,5 GHz). L'addestramento è avvenuto con dati simulati e ha richiesto circa 10,5 minuti. Hasan e Cheffena (IEEE Access, 2023) presentano una variante «shallow learning» particolarmente piccola per 2,45 GHz, che richiede anch'essa solo il modulo di S11. Più vecchio, ma più vicino a un microcontrollore da accordatore: Hemminger (2005) ha usato tre piccole reti neurali per accordatori a doppio stub, con l'obiettivo di un sistema economico a microcontrollore.
Il fascino: un misuratore di ROS fornisce solo il modulo del coefficiente di riflessione, non la sua fase. Una rete che riesca comunque a indovinare in modo sensato sarebbe interessante anche per hardware semplice.
3. Reinforcement Learning
Nel Reinforcement Learning (RL) un agente impara tramite ricompensa quali passi di commutazione portano all'obiettivo. Un lavoro di Zhang, Cheng, Wang e Chen (arXiv, aprile 2026) descrive l'accordatura come problema di controllo e impiega un metodo di RL profondo. Come stato servono caratteristiche in frequenza e qualità dell'adattamento, la ricompensa pesa precisione e velocità. Secondo gli autori è più preciso, efficiente e stabile dei metodi euristici e basati sul gradiente classici. Nel riassunto non c'erano cifre concrete, inoltre il lavoro è una prepubblicazione e non ancora sottoposto a revisione. Diversi brevetti statunitensi descrivono anch'essi un'accordatura assistita da RL e ML, soprattutto per antenne di telefoni cellulari.
Cosa esiste già: accordatori che ricordano le antenne
Non ci siamo imbattuti in un accordatore con una vera rete neurale. Ma l'industria e gli sperimentatori percorrono già un tratto della strada verso l'adattamento "intelligente", in tre stadi.
Stadio 1: memoria invece di ricerca
Il classico tra gli accordatori che imparano è l'SGC SG-237 "Smartuner" (da 1,8 a 60 MHz, da 3 a 100 W PEP). Una memoria non volatile conserva le combinazioni L/C già trovate per 170 frequenze. Secondo la scheda tecnica, il primo accordo richiede tipicamente meno di 2 secondi, un caso ripetuto meno di 10 millisecondi. L'accordatore è nel frattempo fuori produzione. Sulla pagina di OE3MZC gli utenti austriaci raccolgono le loro esperienze, problemi compresi: alcune lunghezze di filo non si lasciavano accordare, un accordatore si bloccava sui 50 MHz e una cattiva messa a terra causava un comportamento instabile. È un buon indizio di quanto un metodo di apprendimento dipenda dall'impianto.
Stadio 2: misurare e calcolare invece di provare
L'MFJ-939 IntelliTuner (200 W, da 1,8 a 30 MHz) fa un passo avanti. Se per la frequenza non si trova nulla in memoria (oltre 20.000 posizioni), parte un algoritmo "AdaptiveSearch". Misura l'impedenza complessa dell'antenna, calcola i componenti necessari, li inserisce e poi rifinisce per il ROS minimo. Se l'impedenza è fuori dal campo di misura, cerca in modo mirato solo negli intervalli di componenti adatti e, se necessario, ripete la ricerca con uno schema diverso. È esattamente la combinazione di punto di partenza e messa a punto fine che descriviamo più avanti come idea, solo senza addestramento. Secondo la descrizione, un nuovo accordo richiede "una frazione di secondo".
Stadio 3: "Tune Once" nel dimostratore
Southwest Antennas presenta un auto-tuner HF (da 1,8 a 30 MHz) come dimostratore tecnologico per integratori di sistemi. Secondo il produttore, la tecnica "Tune Once" apprende soluzioni di accordo riuscite, le salva su fino a 512 canali e le richiama in seguito. Il produttore parla inoltre di migliaia di combinazioni di adattamento valutate. Come funzioni internamente non è spiegato. Se sia coinvolto il machine learning in senso stretto resta aperto. Ma è l'ambito in cui il settore sperimenta con piattaforme radio professionali.
Progetti open source da costruire insieme
Chi vuole mettersi al lavoro trova piattaforme solide. Nessuna contiene machine learning, ma tutte hanno l'hardware (stadi L e C commutabili) e un microcontrollore su cui si potrebbe innestare un metodo di apprendimento:
- ATU_0_HW di DM1CR (papamidas): progetto KiCad di un accordatore LC/CL con 256 gradini di capacità (da 0 a 2,5 nF) e 256 gradini di induttanza (da 0 a 15 µH), Arduino Nano, relè bistabili (da 25 a 45 mA), controllo tramite app Bluetooth, dieci tasti memoria per le bande.
- ATU di DM3MAT (Hannes Matuschek): piccolo accordatore QRP portatile per un filo di circa 10 m con UnUn 1:9 su 80-10 m. Hardware e firmware sono sotto CC BY-SA 4.0. L'autore definisce lo stato come primo prototipo.
- K3NG Antenna Tuner: accordatore automatico basato su Arduino del noto sviluppatore open source, GPL-3.0.
- UR7HFO: Simple Automatic Antenna Tuner: accordatore a basso consumo su STM32F103, con schemi elettrici e file Gerber.
- TCI ICOM Tuner Interface: firmware ESP32 che collega un accordatore ICOM AH-4 a una SDR con protocollo TCI, via WLAN. Interessante come esempio di come un ESP32 riceva i dati di frequenza dalla radio. Proprio questa informazione servirebbe a un accordatore che impara.
Una precisazione: lo strumento scientifico AntennaCAT impiega il machine learning per progettare antenne con simulazione EM. È affine, ma non è un accordatore.
Come potrebbe essere un accordatore con IA nello shack
Questa sezione è una riflessione, non la descrizione di un prodotto:
- Apprendimento durante l'uso: L'accordatore registra frequenza, antenna, ROS in uscita e la regolazione trovata. Da questi dati nasce un modello che per le antenne note fornisce un buon punto di partenza.
- Punto di partenza più regolazione fine: Il modello propone una regolazione, poi un algoritmo classico la affina ancora con uno o due passi. Così il risultato resta buono anche se qualcosa è cambiato, ad esempio per antenne bagnate o un ambiente diverso.
- Riconoscimento dell'antenna: Dai modelli di impedenza si può dedurre quale antenna è collegata. Un EFHW si comporta in modo diverso da un dipolo o da una magnetic loop.
Sfide e limiti
- Dati di misura: Un misuratore di ROS fornisce solo il modulo, non l'impedenza complessa. Con modulo e fase (ad esempio tramite un NanoVNA o un ponte di misura nell'accordatore) il compito è più facile.
- Alta potenza: I lavori trattano segnali da milliwatt nella gamma dei GHz. Sulle onde corte con 100 W fino a 1 kW i relè commutano alta tensione. Qui si può accordare solo a vuoto o con potenza molto bassa, perché i contatti non si brucino.
- Potenza di calcolo: I modelli piccoli girano su microcontrollori, le grandi reti RL richiedono di più. Hardware di edge AI come Google Coral o NVIDIA Jetson sarebbe una possibile strada.
- Dati di addestramento e overfitting: Un modello addestrato su una sola antenna funziona male su un'altra. Con ogni nuovo impianto dovrebbe riapprendere.
- Sicurezza: Un metodo di apprendimento non deve mai scegliere regolazioni che mettano a rischio il transceiver. I limiti di ROS e potenza devono restare programmati in modo fisso.
Provare da soli
Un'accordatura completa con IA è un lavoro da smanettoni esperti. Un punto di partenza è l'accordatore open source ATU-100 (microcontrollore PIC, documentato ad esempio come progetto su PCBWay). Uno strato di apprendimento sopra, ad esempio una tabella di regolazioni memorizzate o un piccolo modello su un Raspberry Pi, sarebbe un esperimento alla portata. Un esempio pratico di esperimenti affini con l'IA si trova in Decodifica automatica del CW con reti neurali.
Due video di approfondimento
Come funziona un accordatore lo spiegano questi due video (entrambi in inglese). Trattano gli accordatori classici, non l'IA. Forniscono però la base su cui dovrebbe poggiare ogni variante con IA.
Il primo filmato («How Does an Antenna Tuner Work?» di Budget Ham Radio) mostra con un NanoVNA come una rete a T compensi un disadattamento.
Il secondo («Antenna Tuners: How does it do THAT?» di Electronics for the Inquisitive Experimenter) spiega il principio alla base dell'adattamento.
Altre applicazioni dell'IA nello shack
- Riduzione del rumore con IA
- IA e previsione della propagazione
- Decodifica automatica del CW
- ChatGPT e Claude come assistenti nello shack
Conclusione
L'idea di migliorare gli accordatori d'antenna con il machine learning è scientificamente ben fondata. Algoritmi genetici, reti neurali e Reinforcement Learning sono già stati studiati per l'adattamento d'impedenza. I numeri, però, provengono dalla gamma dei GHz e da piccole potenze. Per le onde corte, secondo la nostra ricerca, non esistono né serie di misure né un prodotto per radioamatori con un modello dimostrabilmente addestrato. La strada è però già tracciata: dalla semplice memoria (SG-237) alla misura e al calcolo (MFJ IntelliTuner) fino a soluzioni che imparano come il dimostratore di Southwest. E l'hardware aperto, come gli accordatori di DM1CR e DM3MAT, aspetta solo che qualcuno aggiunga lo strato di apprendimento. Gli accordatori di oggi sono veloci e memorizzano le regolazioni, un grande guadagno di tempo sarebbe pensabile soprattutto con frequenze nuove e antenne nuove. Chi vuole sperimentare può farlo a proprio rischio, con rigidi limiti di sicurezza per ROS e potenza.
73 – la vostra redazione di oeradio.at
Fonti e link di approfondimento
- Zhang, Cheng, Wang, Chen: An Adaptive Antenna Impedance Matching Method via Deep Reinforcement Learning, arXiv:2604.07736, aprile 2026 (prepubblicazione)
- 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
- Brevetti: US 11,882,527 (Data-driven methods for look up table-free closed-loop antenna impedance tuning) e US 11,916,606 (Machine learning-assisted adaptive antenna tuning)
- Elecraft: KAT500 Owner's Manual (memoria per segmento di frequenza)
- LDG: AT-1000ProII presso WiMo (dati della scheda tecnica), Manuale AT-11MP (livelli e tempo di accordatura)
- Prodotti: SGC SG-237 Smartuner (pagina utenti di OE3MZC), MFJ-939 IntelliTuner, Southwest Antennas HF Auto-Tuner (dati del produttore)
- Open Source: ATU_0_HW (DM1CR), ATU (DM3MAT), K3NG Antenna Tuner, UR7HFO accordatore STM32, TCI ICOM Tuner Interface, AntennaCAT
- IZ2UUF: How does a tuner… tune? e Electronics Notes: Che cos'è un ATU? (nozioni di base)
- Video: Budget Ham Radio, Electronics for the Inquisitive Experimenter (YouTube)
- Immagini: immagine di copertina e vista interna: Adamantios, Wikimedia Commons, CC BY-SA 3.0. Rete a L: Ken g6, Wikimedia Commons, di pubblico dominio.
Nota di trasparenza
Questo articolo è stato ricercato e scritto con l'assistenza dell'IA (Claude, Anthropic). La redazione ha verificato e curato tutti i contenuti. Nonostante un'attenta revisione, potrebbero essere presenti imprecisioni, accogliamo con piacere segnalazioni via e-mail a [email protected].
