**Autor:** Yu Fan
fondo
El equipo del académico Cui Tiejun de la Universidad del Sureste publicó recientemente un artículo de revisión sobre "Varios avances en la computación electromagnética inteligente" [1], que describe en detalle el progreso de la inteligencia artificial en el campo de la computación electromagnética y brinda a los lectores una introducción y comprensión de las últimas investigaciones en este campo. Los resultados proporcionan una ayuda útil. MindSpore[2] es el primer marco de IA que propone un conjunto de simulación electromagnética. Este artículo se combinará con el conjunto de simulación electromagnética MindSpore Elec [3] para su análisis. El artículo presenta los últimos resultados de la investigación de la computación electromagnética inteligente en la simulación electromagnética directa y la imagen electromagnética inversa desde el nivel del algoritmo, y luego presenta el nuevo sistema informático inteligente y los sistemas basados en metamateriales de información relacionados desde el nivel del sistema que combina software y hardware o digital. Aplicación de física, y finalmente resume el texto completo y predice la dirección de desarrollo de la computación electromagnética inteligente. Este artículo se centra principalmente en el nivel del software de algoritmo.
**1. ** Simulación electromagnética inteligente avanzada
La tecnología avanzada de simulación electromagnética juega un papel decisivo en el análisis de compatibilidad electromagnética, el diseño de dispositivos electrónicos, el procesamiento de señales, el diseño de redes de comunicación y otros campos. Dominar la tecnología de simulación electromagnética independiente, controlable, precisa y rápida es un indicador importante para medir el nivel científico y tecnológico y las capacidades de fabricación industrial de un país.
Los métodos de cálculo de simulación electromagnética directa incluyen principalmente métodos de simulación de onda completa, como el método de diferencias finitas, el método de elementos finitos y el método de momentos, así como métodos asintóticos de alta frecuencia, como el método de rayos que rebotan. Sin embargo, frente a los requisitos en tiempo real, multiescala y de otro tipo, todavía queda un largo camino por recorrer. Por lo tanto, es necesario proponer un nuevo paradigma informático para resolver los problemas de eficiencia computacional que enfrentan los métodos tradicionales. La computación inteligente puede mejorar la eficiencia de la simulación directa. Su esencia es extraer información física efectiva aprendiendo la relación de mapeo desde la entrada hasta la salida, construyendo así un modelo de red neuronal equivalente para reemplazar a los operadores numéricos tradicionales, al tiempo que garantiza que la precisión del cálculo se mantenga básicamente sin cambios. reducción de la complejidad. La computación electromagnética inteligente avanzada se divide principalmente en dos categorías: basada en datos y basada en física. La inteligencia se considera una de las direcciones de desarrollo futuro más importantes en el campo del electromagnetismo computacional.
1.1****Cálculo electromagnético directo basado en datos
Los cálculos electromagnéticos basados en datos se dividen aproximadamente en aprendizaje de resultados (es decir, aprender directamente el mapeo de los parámetros electromagnéticos a los resultados de cálculo esperados, incluidos los valores de campo y corrientes, etc.) y aprendizaje de procesos (es decir, usar redes neuronales para reemplazar un enlace intermedio en los métodos de simulación tradicionales, para lograr una eficiencia informática mejorada), como se muestra en la Figura 1.
Figura 1. Clasificación basada en datos de cálculos electromagnéticos directos
El aprendizaje consecuencial es una de las estrategias más sencillas. Por ejemplo, la literatura [4] utiliza CNN en lugar del método de diferencias finitas en el dominio de la frecuencia (FDFD) para resolver la ecuación de Helmholtz (ver Figura 2a). El solucionador equivalente diseñado en la literatura [5] basado en el mecanismo de atención funciona bien (consulte la Figura 2b). En el conjunto de datos de prueba dado, la precisión de la predicción RCS supera el 98% y es casi 100 veces mejor que el método de cálculo de momentos. acelerar. Como resultado, el aprendizaje es intuitivo y eficiente, pero debido a la falta de orientación de las leyes físicas, la precisión de la solución y la capacidad de generalización suelen ser insatisfactorias.
También ha llamado la atención la aceleración del proceso de aprendizaje de enlaces intermedios por medios inteligentes. Por ejemplo, la literatura [6, 7] propone el esquema de "límite de absorción inteligente", que utiliza RNN y memoria a corto plazo (Long Short Term Memory, LSTM) respectivamente. para reemplazar la coincidencia ideal, la condición de límite de absorción de capa (Perfectly Matched Layer, PML) puede lograr el efecto de absorción de PML multicapa bajo la condición de un límite inteligente de una sola capa. El esquema RNN es más rápido y puede lograr aproximadamente 2 veces más. Velocidad de cálculo, pero el efecto de absorción no es tan bueno como el esquema LSTM.
Aunque el esquema de aprendizaje por procesos introduce más información física y mejora la capacidad de generalización general en comparación con el aprendizaje por resultados, la ganancia de eficiencia computacional generalmente se reduce considerablemente y es raro observar una mejora de más de 1 orden de magnitud. Cómo reducir aún más la complejidad computacional de las soluciones de aprendizaje de procesos también es una cuestión que requerirá un estudio en profundidad en el futuro.
Figura 2. Resultados parciales de la investigación sobre computación electromagnética avanzada basada en datos
1.2****Cálculos electromagnéticos directos basados en la física
Las redes neuronales profundas impulsadas por la física están representadas por PINN (Red neuronal informada por la física, PINN). Este método mejora las capacidades de aproximación de la red al tiempo que reduce la dependencia de los datos y es particularmente adecuado para resolver problemas de aprendizaje de muestras pequeñas. Por ejemplo, la literatura [8] introdujo la ecuación del campo eléctrico en el dominio de la frecuencia como una función de pérdida basada en la arquitectura U-Net y propuso MaxwellNet para resolver el campo de luz dispersa en el espacio libre. Como se muestra en la Figura 3 (b), este resultado fue. aplicado para guiar el diseño de lentes ópticas [9].
Figura 3. Resultados de la investigación de cálculo directo del aprendizaje del operador y del controlador de física parcial
1.3****Cálculo electromagnético directo basado en el aprendizaje del operador
DeepONet y FNO son actualmente los modelos de operadores neuronales más populares. El éxito de FNO en la resolución de problemas de fluidos también ha inspirado la computación electromagnética. La literatura [10] propuso un FNO mejorado para resolver problemas de dispersión en el espacio libre en el dominio de la frecuencia. En comparación con el solucionador equivalente simple de U-Net, tanto la precisión del cálculo como la velocidad de entrenamiento e inferencia se han mejorado significativamente. La literatura [11] propuso un FNO extendido para resolver las ecuaciones de Maxwell en el dominio de la frecuencia, que logró una relación de aceleración de más de 100 veces en comparación con FDFD.
1.4**** Cálculo de cálculos electromagnéticos directos diferenciables
El algoritmo FDTD en sí es diferenciable y puede integrarse directamente en sistemas diferenciables con diferentes funciones; por otro lado, el proceso de simulación directa se puede acelerar con el soporte de plataformas de aprendizaje profundo existentes para computación paralela, como se muestra en la Figura 4(a). [12]. Para algoritmos no diferenciables (como métodos de alta frecuencia). Como se muestra en la Figura 4 (b), la literatura [13] propuso un sistema de representación de radar de apertura sintética (SAR) diferenciable que puede utilizar algoritmos de descenso de gradiente para inferir información tridimensional a partir de imágenes de objetivos bidimensionales.
Figura 4. Representación esquemática de algunos resultados de investigación de cálculos electromagnéticos directos diferenciables
Tabla 1. Comparación de características de cuatro métodos de computación electromagnética inteligente
**2. ** Imagen electromagnética inteligente inversa
Las imágenes de dispersión inversa electromagnética se han utilizado ampliamente en pruebas no destructivas, exploración geológica, detección de cáncer, inspecciones de seguridad, etc. Sin embargo, debido a la no linealidad inherente y la naturaleza mal condicionada del problema de la dispersión inversa, encontrar una relación de mapeo adecuada para las imágenes de dispersión inversa es un problema muy desafiante, especialmente en entornos con mucho ruido.
La ventaja de las imágenes electromagnéticas inteligentes inversas es que pueden aprender reglas de mapeo a partir de datos, eliminando así el proceso de razonamiento y construcción de modelos electromagnéticos complejos, así como el proceso iterativo en el algoritmo de optimización, lo que mejora en gran medida la eficiencia de las imágenes. Al mismo tiempo, para problemas específicos de dispersión inversa, las redes de aprendizaje profundo pueden aprender relaciones de mapeo que implican información geométrica previa, lo que puede mejorar la precisión de las imágenes e incluso lograr imágenes de súper resolución que superen el límite de resolución de las imágenes.
2.1 Imágenes electromagnéticas inteligentes inversas puramente basadas en datos
La literatura [14] utilizó la red U-Net para aprender y entrenar aún más tres relaciones de mapeo de imágenes. Las salidas de estos tres mapeos son entradas de imágenes de destino, que son los datos originales de medición del eco del campo eléctrico disperso, la imagen preliminar generada por el algoritmo BP. y Datos actuales inducidos obtenidos mediante análisis de componentes principales. En el artículo, el autor llama a estas tres relaciones de mapeo modo de inversión directa, modo de retropropagación y modo de corriente del componente principal, respectivamente. Después de la prueba, tanto el modo de retropropagación como el modo de corriente del componente principal pueden generar imágenes de destino ideales, pero el efecto de imagen del modo de inversión directa no es bueno, como se muestra en la Figura 5 (b). Figura 5. Imágenes electromagnéticas inteligentes inversas basadas en la estructura U-Net
2.2 Imágenes electromagnéticas inteligentes inversas impulsadas por la física electromagnética
Introducir mecanismos o ecuaciones de física electromagnética en el diseño estructural y el diseño de la función de error de la red de aprendizaje profundo de dispersión inversa, y personalizar un modelo de aprendizaje profundo dedicado para el problema de dispersión inversa, puede facilitar el aprendizaje de la relación no lineal entre entrada y salida.
La literatura [15] introdujo la estructura de ecuación del algoritmo de optimización iterativa de dispersión inversa en el diseño estructural de la red de aprendizaje profundo, y el módulo de red neuronal convolucional residual de valor complejo multicapa en cascada construyó una red neuronal profunda dedicada a imágenes electromagnéticas inteligentes inversas. , que se llama DeepNIS, como se muestra en la Figura 6 (a). Tanto la simulación como la medición real han confirmado que DeepNIS es significativamente mejor que el método tradicional de dispersión inversa no lineal en términos de calidad de imagen y tiempo de cálculo.
Figura 6. Imágenes electromagnéticas inteligentes inversas de extremo a extremo basadas en un algoritmo de optimización iterativo
**3. ** Práctica de MindSpore Elec
MindSpore Elec básicamente cubre la simulación electromagnética inteligente directa y la imagen electromagnética inteligente inversa.
Simulación electromagnética inteligente avanzada:
a) Basado en datos: simulación electromagnética de IA de teléfonos móviles terminales, la precisión de la simulación es comparable al software informático científico tradicional, mientras que el rendimiento mejora 10 veces (aprendizaje de resultados). La precisión del modelo básico de simulación electromagnética de IA "Jinling. Electromagnetic Brain" es comparable a los métodos tradicionales, y la eficiencia aumenta más de 10 veces . Y a medida que aumenta la escala objetivo, la mejora será más significativa (aprendizaje de procesos).
b) Unidad física: al resolver la ecuación bidimensional de MaxWell en el dominio del tiempo basada en el método PINN, la precisión y el rendimiento de la solución mejoran mediante el suavizado de la función de distribución gaussiana, la red residual multicanal combinada con la estructura de red de la función de activación del pecado y la ponderación adaptativa. La estrategia de aprendizaje multitarea es significativamente mejor que otros marcos y métodos.
c) Cálculo de cálculos electromagnéticos directos diferenciables: El proceso de resolución de las ecuaciones de Maxwell utilizando el método del dominio del tiempo de diferencias finitas (FDTD) es equivalente a una red convolucional circular (RCNN). Al utilizar el operador diferenciable de MindSpore para reescribir el proceso de actualización, podemos obtener FDTD diferenciable de un extremo a otro. La precisión de la simulación del parámetro S de la antena de parche tridimensional es consistente con BenchMark.
Imagen electromagnética inteligente inversa:
a) Basado puramente en datos: genere datos de entrenamiento para la inversión del radar de penetración terrestre (GPR) basado en el software GPRMAX y utilice el modelo de IA para obtener de forma rápida y precisa la estructura objetivo mediante la entrada de señales de ondas electromagnéticas.
b) Controlador de física electromagnética: resuelva el problema de dispersión inversa electromagnética del modo TM bidimensional basado en FDTD diferenciable de extremo a extremo. La constante dieléctrica relativa SSIM obtenida por la inversión alcanza 0,9635, lo que es muy consistente con el objetivo (a la derecha en la figura siguiente); el método de IA de GAN asistido por física se utiliza para realizar un aprendizaje no supervisado para el diseño de imágenes holográficas de metasuperficie. evitando el proceso de producción del conjunto de datos y, en comparación con el algoritmo GS tradicional, tiene un mejor rendimiento en términos de indicadores y experiencia visual.
**4、** Perspectiva
Shengsi MindSpore Elec ha realizado un gran trabajo en el campo del electromagnetismo inteligente. También damos la bienvenida a investigadores y entusiastas de la informática científica para que se unan a nosotros para expandir y mantener conjuntamente la suite Shengsi MindSpore Elec.
referencias
[1] LIU Che, YANG Kaiqiao, BAO Jianghan, et al. Progresos recientes en la computación electromagnética inteligente [J] Journal of Radars, 2023, 12(4): 1–27.
[3] https://gitee.com/mindspore/mindscience/tree/master/MindElec
[4] QI Shutong, WANG Yinpeng, LI Yongzhong, et al. Solucionador electromagnético bidimensional basado en la técnica de aprendizaje profundo [J]. Revista IEEE sobre técnicas computacionales multiescala y multifísica, 2020, 5: 83–88. doi: 10.1109/JMMCT.2020.2995811
[5] KONG Dehua, ZHANG Wenwei, HE Xiaoyang, et al. Predicción inteligente de propiedades de dispersión basada en la atención de múltiples cabezales y el parámetro de característica inherente al objetivo [J]. Transacciones IEEE sobre antenas y propagación, 2023, 71(6): 5504–5509. doi: 10.1109/TAP. 2023.3262341.
[6] YAO Heming y JIANG Lijun. PML basado en aprendizaje automático para el método FDTD[J]. Antenas IEEE y cartas de propagación inalámbrica, 2019, 18(1): 192–196. doi: 10.1109/LAWP.2018.2885570.
[7] YAO Heming y JIANG Lijun. PML mejorado basado en la red de memoria a corto plazo para el método FDTD [J]. Acceso IEEE, 2020, 8: 21028–21035. doi: 10.1109/ACCESS.2020.2969569
[8] LIM J y PSALTIS D. MaxwellNet: entrenamiento de redes neuronales profundas impulsado por la física basado en las ecuaciones de Maxwell [J]. APL Photonics, 2022, 7(1): 011301. doi: 10.1063/5.0071616.
[9] GIGLI C, SABA A, AYOUB AB, et al. Predecir la dispersión óptica no lineal con redes neuronales basadas en la física [J]. APL Photonics, 2023, 8(2): 026105. doi: 10.1063/5.0119186.
[10] AUGENSTEIN Y, REPÄN T y ROCKSTUHL C. Solucionador sustituto basado en operadores neuronales para diseño inverso electromagnético de forma libre [J]. Fotónica ACS, 2023, 10 (5): 1547–1557. doi: 10.1021/acsphotonics.3c00156.
[11] PENG Zhong, YANG Bo, XU Yixian, et al. Modelado sustituto rápido de datos electromagnéticos en el dominio de la frecuencia utilizando un operador neuronal [J]. Transacciones IEEE sobre geociencia y teledetección, 2022, 60: 2007912. doi: 10.1109/TGRS.2022.3222507
[12] GUO Liangshuai, LI Maokun, XU Shenheng, et al. Modelado electromagnético utilizando una red neuronal convolucional recurrente equivalente a FDTD: computación precisa en un marco de aprendizaje profundo [J]. Revista IEEE Antenas y Propagación, 2023, 65(1): 93–102. doi: 10.1109/MAP.2021.3127514.
[13] FU Shilei y XU Feng. Representador SAR diferenciable y reconstrucción de objetivos basada en imágenes[J]. Transacciones IEEE sobre procesamiento de imágenes, 2022, 31: 6679–6693. doi: 10.1109/TIP.2022.3215069.
[14] WEI Zhun y CHEN Xudong. Esquemas de aprendizaje profundo para problemas de dispersión inversa no lineal de onda completa [J]. Transacciones IEEE sobre geociencia y teledetección, 2019, 57(4): 1849–1860. doi: 10.1109/TGRS.2018.2869221.
Un programador nacido en los años 90 desarrolló un software de portabilidad de vídeo y ganó más de 7 millones en menos de un año. ¡El final fue muy duro! Google confirmó despidos, relacionados con la "maldición de 35 años" de los codificadores chinos en los equipos Python Flutter Arc Browser para Windows 1.0 en 3 meses oficialmente GA La participación de mercado de Windows 10 alcanza el 70%, Windows 11 GitHub continúa disminuyendo. GitHub lanza la herramienta de desarrollo nativo de IA GitHub Copilot Workspace JAVA. es la única consulta de tipo fuerte que puede manejar OLTP + OLAP. Este es el mejor ORM. Nos encontramos demasiado tarde.