**Auteur :** Yu Fan
arrière-plan
L'équipe de l'académicien Cui Tiejun de l'Université du Sud-Est a récemment publié un article de synthèse sur « Plusieurs progrès dans l'informatique électromagnétique intelligente » [1], qui décrit en détail les progrès de l'intelligence artificielle dans le domaine de l'informatique électromagnétique, offrant aux lecteurs une introduction et compréhension des dernières recherches dans ce domaine. Les résultats fournissent une aide utile. MindSpore[2] est le premier framework d'IA à proposer une suite de simulation électromagnétique Cet article sera combiné avec la suite de simulation électromagnétique MindSpore Elec [3] pour l'analyse. Le document présente les derniers résultats de recherche sur l'informatique électromagnétique intelligente dans la simulation électromagnétique directe et l'imagerie électromagnétique inverse du niveau de l'algorithme, puis présente le nouveau système informatique intelligent et les systèmes basés sur les métamatériaux d'informations associés du niveau du système qui combinent logiciel et matériel ou numérique. application de la physique, et résume enfin le texte intégral et prédit l'orientation du développement de l'informatique électromagnétique intelligente. Cet article se concentre principalement sur le niveau logiciel de l’algorithme.
**1. ** Simulation électromagnétique intelligente avant
La technologie de simulation électromagnétique avancée joue un rôle décisif dans l'analyse de la compatibilité électromagnétique, la conception d'appareils électroniques, le traitement du signal, la conception de réseaux de communication et d'autres domaines. La maîtrise d'une technologie de simulation électromagnétique indépendante, contrôlable, précise et rapide est un indicateur important pour mesurer le niveau scientifique et technologique et les capacités de fabrication industrielle d'un pays.
Les méthodes de calcul de simulation électromagnétique directe comprennent principalement des méthodes de simulation à onde complète telles que la méthode des différences finies, la méthode des éléments finis et la méthode des moments, ainsi que des méthodes asymptotiques à haute fréquence telles que la méthode des rayons rebondissants. Cependant, face aux exigences du temps réel, à plusieurs échelles et autres, il reste encore un long chemin à parcourir. Par conséquent, un nouveau paradigme informatique doit être proposé pour résoudre les problèmes d’efficacité informatique rencontrés par les méthodes traditionnelles. L'informatique intelligente peut améliorer l'efficacité de la simulation directe. Son essence est d'extraire des informations physiques efficaces en apprenant la relation de mappage de l'entrée à la sortie, construisant ainsi un modèle de réseau neuronal équivalent pour remplacer les opérateurs numériques traditionnels, tout en garantissant que la précision du calcul reste fondamentalement inchangée. réduction de la complexité. L’informatique électromagnétique intelligente avancée est principalement divisée en deux catégories : basée sur les données et basée sur la physique. L’intelligence est considérée comme l’une des orientations de développement futures les plus importantes dans le domaine de l’électromagnétique computationnelle.
1.1****Calcul électromagnétique avant basé sur les données
Les calculs électromagnétiques basés sur les données sont grossièrement divisés en apprentissage des résultats (c'est-à-dire l'apprentissage direct de la cartographie des paramètres électromagnétiques aux résultats de calcul attendus, y compris les valeurs de champ et les courants, etc.) et l'apprentissage des processus (c'est-à-dire l'utilisation de réseaux de neurones pour remplacer un maillon intermédiaire dans les méthodes de simulation traditionnelles, pour obtenir une efficacité informatique améliorée), comme le montre la figure 1.
Figure 1. Classification basée sur les données des calculs électromagnétiques directs
L’apprentissage consécutif est l’une des stratégies les plus simples. Par exemple, la littérature [4] utilise CNN au lieu de la méthode des différences finies dans le domaine fréquentiel (FDFD) pour résoudre l'équation de Helmholtz (voir Figure 2a). Le solveur équivalent conçu dans la littérature [5] basé sur le mécanisme d'attention fonctionne bien (voir Figure 2b) Sur l'ensemble de données de test donné, la précision de la prédiction RCS dépasse 98 % et est près de 100 fois meilleure que la méthode Calculate. accélérer. En conséquence, l’apprentissage est intuitif et efficace, mais en raison du manque de guidage par les lois physiques, la précision de la solution et la capacité de généralisation sont souvent insatisfaisantes.
L'accélération du processus d'apprentissage des liens intermédiaires par des moyens intelligents a également attiré l'attention. Par exemple, la littérature [6, 7] a proposé le schéma de « limite d'absorption intelligente », qui utilise respectivement le RNN et la mémoire à long terme (Long Short Term Memory, LSTM). pour remplacer la correspondance idéale. La condition limite d'absorption de couche (Perfectly Matched Layer, PML) peut obtenir l'effet d'absorption du PML multicouche dans la condition d'une limite intelligente monocouche. Le schéma RNN est plus rapide et peut atteindre environ 2 fois celui-ci. vitesse de calcul, mais l'effet d'absorption n'est pas aussi bon que le schéma LSTM.
Bien que le schéma d'apprentissage des processus introduise plus d'informations physiques et améliore la capacité globale de généralisation par rapport à l'apprentissage des résultats, le gain d'efficacité informatique est généralement considérablement réduit et il est rare d'observer une amélioration de plus d'un ordre de grandeur. Comment réduire davantage la complexité informatique des solutions d’apprentissage des processus est également une question qui nécessitera une étude approfondie à l’avenir.
Figure 2. Résultats partiels de la recherche sur le calcul électromagnétique avancé basé sur des données
1.2****Calculs électromagnétiques avancés basés sur la physique
Les réseaux de neurones profonds basés sur la physique sont représentés par les PINN (Physics-Informed Neural Network, PINN). Cette méthode améliore les capacités d'approximation des réseaux tout en réduisant la dépendance aux données et est particulièrement adaptée à la résolution de problèmes d'apprentissage sur de petits échantillons. Par exemple, la littérature [8] a introduit l'équation du champ électrique dans le domaine fréquentiel en tant que fonction de perte basée sur l'architecture U-Net et a proposé MaxwellNet pour résoudre le champ de lumière dispersée en espace libre. Comme le montre la figure 3 (b), ce résultat était. appliqué à la conception de lentilles optiques de guidage [9].
Figure 3. Pilote physique partiel et opérateur apprenant les résultats de la recherche sur les calculs avancés
1.3****Calcul électromagnétique avancé basé sur l'apprentissage de l'opérateur
DeepONet et FNO sont actuellement les modèles d'opérateurs neuronaux les plus populaires. Le succès de FNO dans la résolution des problèmes de fluides a également inspiré l'informatique électromagnétique. La littérature [10] a proposé un FNO amélioré pour résoudre les problèmes de diffusion dans l'espace libre dans le domaine fréquentiel. Par rapport au simple solveur équivalent U-Net, la précision des calculs ainsi que la vitesse d'entraînement et d'inférence ont été considérablement améliorées. La littérature [11] a proposé un FNO étendu pour résoudre les équations de Maxwell dans le domaine fréquentiel, qui a atteint un rapport d'accélération de plus de 100 fois par rapport au FDFD.
1.4**** Calcul des calculs électromagnétiques directs différentiables
L'algorithme FDTD lui-même est différentiable et peut être directement intégré dans des systèmes différenciables avec des fonctions différentes ; d'autre part, le processus de simulation avancée peut être accéléré avec la prise en charge des plates-formes d'apprentissage en profondeur existantes pour le calcul parallèle, comme le montre la figure 4(a). [12]. Pour les algorithmes non différenciables (tels que les méthodes haute fréquence). Comme le montre la figure 4 (b), la littérature [13] a proposé un système de rendu radar à synthèse d'ouverture (SAR) différentiable qui peut utiliser des algorithmes de descente de gradient pour déduire des informations tridimensionnelles à partir d'images cibles bidimensionnelles.
Figure 4. Représentation schématique de certains résultats de recherche sur des calculs électromagnétiques directs différenciables
Tableau 1. Comparaison des caractéristiques de quatre méthodes de calcul électromagnétique intelligente
**2. ** Imagerie électromagnétique intelligente inversée
L'imagerie électromagnétique par diffusion inverse a été largement utilisée dans les tests non destructifs, l'exploration géologique, la détection du cancer, l'inspection de sécurité, etc. Cependant, en raison de la non-linéarité inhérente et de la nature mal conditionnée du problème de diffusion inverse, trouver une relation de cartographie appropriée pour l'imagerie par diffusion inverse est un problème très difficile, en particulier dans les environnements très bruyants.
L'avantage de l'imagerie électromagnétique intelligente inverse est qu'elle peut apprendre des règles de cartographie à partir des données, éliminant ainsi le processus de raisonnement et de construction de modèles électromagnétiques complexes, ainsi que le processus itératif de l'algorithme d'optimisation, améliorant ainsi considérablement l'efficacité de l'imagerie. Dans le même temps, pour des problèmes spécifiques de diffusion inverse, les réseaux d’apprentissage profond peuvent apprendre des relations de cartographie qui impliquent des informations géométriques préalables, ce qui peut améliorer la précision de l’imagerie et même obtenir une imagerie de super-résolution qui dépasse la limite de résolution d’imagerie.
2.1 Imagerie électromagnétique intelligente inversée purement basée sur les données
La littérature [14] a utilisé le réseau U-Net pour apprendre et entraîner davantage trois relations de mappage d'imagerie. Les sorties de ces trois mappages sont des entrées d'image cible, qui sont les données originales de mesure d'écho de champ électrique diffusé, l'image préliminaire générée par l'algorithme BP. , et Données de courant induit obtenues par analyse en composantes principales. Dans l’article, l’auteur appelle respectivement ces trois relations de mappage mode d’inversion directe, mode de rétro-propagation et mode courant de composante principale. Après les tests, le mode de rétropropagation et le mode courant de la composante principale peuvent générer des images cibles idéales, mais l'effet d'imagerie du mode d'inversion directe n'est pas bon, comme le montre la figure 5 (b). Figure 5. Imagerie électromagnétique intelligente inversée basée sur la structure U-Net
2.2 Imagerie électromagnétique intelligente inversée pilotée par la physique électromagnétique
L’introduction de mécanismes ou d’équations de physique électromagnétique dans la conception structurelle et la conception de fonctions d’erreur du réseau d’apprentissage profond à diffusion inverse, ainsi que la personnalisation d’un modèle d’apprentissage profond dédié au problème de diffusion inverse, peuvent faciliter l’apprentissage de la relation non linéaire entre l’entrée et la sortie.
La littérature [15] a introduit la structure d'équation de l'algorithme d'optimisation itérative de diffusion inverse dans la conception structurelle du réseau d'apprentissage profond, et le module de réseau neuronal convolutionnel résiduel à valeurs complexes multicouches en cascade a construit un réseau neuronal profond dédié à l'imagerie électromagnétique intelligente inverse. , appelé It is DeepNIS, comme le montre la figure 6(a). La simulation et les mesures réelles ont confirmé que DeepNIS est nettement meilleur que la méthode de diffusion inverse non linéaire traditionnelle en termes de qualité d'image et de temps de calcul.
Figure 6. Imagerie électromagnétique intelligente inverse de bout en bout basée sur un algorithme d'optimisation itératif
**3. ** Pratique MindSpore Elec
MindSpore Elec couvre essentiellement la simulation électromagnétique intelligente avant et l'imagerie électromagnétique intelligente inverse.
Simulation électromagnétique intelligente avant :
a) Basé sur les données : simulation électromagnétique IA des téléphones mobiles terminaux, la précision de la simulation est comparable à celle des logiciels de calcul scientifique traditionnels, tandis que les performances sont améliorées de 10 fois (apprentissage des résultats). La précision du modèle de base de simulation électromagnétique de l'IA "Jinling. Electromagnétique Brain" est comparable aux méthodes traditionnelles, et l'efficacité est augmentée de plus de 10 fois . Et à mesure que l'échelle cible augmente, l'amélioration sera plus significative (apprentissage des processus).
b) Entraînement physique : lors de la résolution de l'équation MaxWell bidimensionnelle dans le domaine temporel basée sur la méthode PINN, la précision et les performances de la solution sont améliorées grâce au lissage de la fonction de distribution gaussienne, au réseau résiduel multicanal combiné à la structure du réseau de la fonction d'activation du péché et à la pondération adaptative. Les stratégies d’apprentissage multitâches sont nettement meilleures que les autres cadres et méthodes.
c) Calcul de calculs électromagnétiques directs différentiables : Le processus de résolution des équations de Maxwell à l'aide de la méthode du domaine temporel par différences finies (FDTD) est équivalent à un réseau convolutif circulaire (RCNN). En utilisant l'opérateur différenciable de MindSpore pour réécrire le processus de mise à jour, nous pouvons obtenir un FDTD différenciable de bout en bout. La précision de simulation du paramètre S de l’antenne patch tridimensionnelle est conforme à BenchMark.
Imagerie électromagnétique intelligente inversée :
a) Purement basé sur les données : générez des données d'entraînement pour l'inversion du radar à pénétration de sol (GPR) basées sur le logiciel GPRMAX et utilisez le modèle d'IA pour obtenir rapidement et précisément la structure cible en entrant des signaux d'ondes électromagnétiques.
b) Pilote de physique électromagnétique : résoudre le problème de diffusion inverse électromagnétique du mode TM bidimensionnel basé sur le FDTD différentiable de bout en bout. La constante diélectrique relative SSIM obtenue par l'inversion atteint 0,9635, ce qui est hautement cohérent avec l'objectif (à droite dans la figure ci-dessous) ; la méthode d'IA du GAN assisté par la physique est utilisée pour effectuer un apprentissage non supervisé pour la conception d'imagerie holographique métasurface, En évitant le processus de production de l'ensemble de données, et par rapport à l'algorithme GS traditionnel, il offre de meilleures performances en termes d'indicateurs et d'expérience visuelle.
**4、** Perspectives
Shengsi MindSpore Elec a réalisé de nombreux travaux dans le domaine de l'électromagnétique intelligente. Nous invitons également les passionnés de calcul scientifique et les chercheurs à nous rejoindre pour développer et maintenir conjointement la suite Shengsi MindSpore Elec.
les références
[1] LIU Che, YANG Kaiqiao, BAO Jianghan, et al. Progrès récents dans le calcul électromagnétique intelligent [J].
[3] https://gitee.com/mindspore/mindscience/tree/master/MindElec
[4] QI Shutong, WANG Yinpeng, LI Yongzhong et al. Solveur électromagnétique bidimensionnel basé sur la technique d'apprentissage profond [J]. Journal IEEE sur les techniques informatiques multi-échelles et multiphysiques, 2020, 5 : 83-88. est ce que je: 10.1109/JMMCT.2020.2995811
[5] KONG Dehua, ZHANG Wenwei, HE Xiaoyang et al. Prédiction intelligente des propriétés de diffusion basée sur l'attention multi-têtes et le paramètre de caractéristique inhérente à la cible [J]. Transactions IEEE sur les antennes et la propagation, 2023, 71(6) : 5504-5509. est ce que je: 10.1109/TAP. 2023.3262341.
[6] YAO Heming et JIANG Lijun. PML basé sur l'apprentissage automatique pour la méthode FDTD [J]. Antennes IEEE et lettres de propagation sans fil, 2019, 18(1) : 192-196. est ce que je: 10.1109/LAWP.2018.2885570.
[7] YAO Heming et JIANG Lijun. PML amélioré basé sur le réseau de mémoire à long terme pour la méthode FDTD[J]. Accès IEEE, 2020, 8 : 21028-21035. est ce que je: 10.1109/ACCESS.2020.2969569
[8] LIM J et PSALTIS D. MaxwellNet : formation de réseaux neuronaux profonds basée sur la physique et basée sur les équations de Maxwell [J]. APL Photonics, 2022, 7(1) : 011301. est ce que je : 10.1063/5.0071616.
[9] GIGLI C, SABA A, AYOUB AB, et al. Prédire la diffusion optique non linéaire avec des réseaux de neurones basés sur la physique [J]. APL Photonics, 2023, 8(2) : 026105. est ce que je : 10.1063/5.0119186.
[10] AUGENSTEIN Y, REPÄN T et ROCKSTUHL C. Solveur de substitution basé sur un opérateur neuronal pour la conception inverse électromagnétique de forme libre [J]. ACS Photonique, 2023,10(5) : 1547-1557. est ce que je: 10.1021/acsphotonics.3c00156.
[11] PENG Zhong, YANG Bo, XU Yixian et al. Modélisation rapide de substitution de données électromagnétiques dans le domaine fréquentiel à l'aide d'un opérateur neuronal [J]. Transactions IEEE sur les géosciences et la télédétection, 2022, 60 : 2007912. est ce que je : 10.1109/TGRS.2022.3222507
[12] GUO Liangshuai, LI Maokun, XU Shenheng et al. Modélisation électromagnétique utilisant un réseau neuronal à convolution récurrent équivalent à FDTD : calcul précis sur un cadre d'apprentissage en profondeur [J]. Magazine des antennes et de la propagation IEEE, 2023, 65(1) : 93-102. est ce que je : 10.1109/MAP.2021.3127514.
[13] FU Shilei et XU Feng. Rendu SAR différenciable et reconstruction de cible basée sur l'image [J]. Transactions IEEE sur le traitement d'images, 2022, 31 : 6679-6693. est ce que je : 10.1109/TIP.2022.3215069.
[14] WEI Zhun et CHEN Xudong. Schémas d'apprentissage en profondeur pour les problèmes de diffusion inverse non linéaire pleine onde [J]. Transactions IEEE sur la géoscience et la télédétection, 2019, 57(4) : 1849-1860. est ce que je: 10.1109/TGRS.2018.2869221.
Un programmeur né dans les années 1990 a développé un logiciel de portage vidéo et en a réalisé plus de 7 millions en moins d'un an. La fin a été très éprouvante ! Google a confirmé les licenciements, impliquant la « malédiction des 35 ans » des codeurs chinois des équipes Flutter, Dart et . Python Arc Browser pour Windows 1.0 en 3 mois officiellement la part de marché de GA Windows 10 atteint 70 %, Windows 11 GitHub continue de décliner l'outil de développement natif d'IA GitHub Copilot Workspace JAVA. est la seule requête de type fort capable de gérer OLTP+OLAP. C'est le meilleur ORM. Nous nous rencontrons trop tard.