**著者:**ユ・ファン
背景
東南大学の学者、崔鉄軍のチームは最近、「インテリジェント電磁コンピューティングにおけるいくつかの進歩」[1] に関する総説論文を発表しました。この論文では、電磁コンピューティングの分野における人工知能の進歩について詳細に説明しており、読者に概要と情報を提供しています。この分野の最新の研究を理解するのに役立つ結果が得られます。 MindSpore[2] は、電磁シミュレーション スイートを提案した最初の AI フレームワークです。この記事では、解析のために MindSpore Elec 電磁シミュレーション スイート [3] を組み合わせます。本稿では、アルゴリズムレベルから順電磁シミュレーションと逆電磁イメージングにおけるインテリジェント電磁コンピューティングの最新の研究成果を紹介し、その後、ソフトウェアとハードウェアまたはデジタルを組み合わせたシステムレベルから新しいインテリジェントコンピューティングシステムと関連情報メタマテリアルベースのシステムを紹介します。物理学、応用、そして最後に全文を要約し、インテリジェント電磁コンピューティングの発展方向を予測します。この記事では主にアルゴリズム ソフトウェア レベルに焦点を当てます。
**1. **フォワードインテリジェント電磁シミュレーション
順電磁シミュレーション技術は、電磁両立性解析、電子機器設計、信号処理、通信ネットワーク設計などの分野で決定的な役割を果たしています。独立した制御可能な正確で高速な電磁シミュレーション技術を習得することは、国の科学技術レベルと工業生産能力を測る重要な指標です。
順電磁シミュレーションの計算手法には、主に有限差分法、有限要素法、モーメント法などの全波シミュレーション手法と、バウンスレイ法などの高周波漸近手法があります。しかし、リアルタイム、マルチスケールなどの要件を考えると、まだまだ道は遠いです。したがって、従来の方法が直面する計算効率の問題を解決するには、新しいコンピューティング パラダイムを提案する必要があります。インテリジェント コンピューティングの本質は、計算精度を基本的に維持しながら、入力から出力までのマッピング関係を学習することで効果的な物理情報を抽出し、従来の数値演算子に代わる同等のニューラル ネットワーク モデルを構築することです。複雑さの軽減。フォワード インテリジェント電磁コンピューティングは、主にデータ駆動型と物理駆動型の 2 つのカテゴリに分類されます。インテリジェンスは、計算電磁気学の分野における将来の最も重要な開発方向の 1 つとみなされています。
1.1****データ駆動型順電磁計算
データ駆動型電磁気計算は、結果学習（つまり、場の値や電流などを含む電磁気パラメータから期待される計算結果へのマッピングを直接学習する）とプロセス学習（つまり、ニューラルネットワークを使用して置き換える）に大別されます。図 1 に示すように、従来のシミュレーション方法における中間リンク (計算効率の向上を実現するため)。
図 1. 順電磁計算のデータ駆動型分類
結果的な学習は最も簡単な戦略の 1 つです。たとえば、文献 [4] では、ヘルムホルツ方程式を解くために周波数領域有限差分法 (FDFD) の代わりに CNN を使用しています (図 2a を参照)。アテンション メカニズムに基づいて文献 [5] で設計された同等のソルバーは良好に機能します (図 2b を参照)。指定されたテスト データ セットでは、RCS 予測精度は 98% を超え、モーメント計算法よりもほぼ 100 倍優れています。スピードアップ。その結果、学習は直感的かつ効率的になりますが、物理法則のガイダンスが欠けているため、解決策の精度と一般化能力が満足のいくものではないことがよくあります。
たとえば、文献 [6、7] では、RNN と長期短期記憶 (Long Short Term Memory、LSTM) をそれぞれ使用する「インテリジェント吸収境界」スキームが提案されています。層吸収境界条件 (Perfectly Matched Layer、PML) は、単層インテリジェント境界の条件下で多層 PML の吸収効果を達成できます。RNN スキームはより高速で、約 2 倍の効果を達成できます。計算速度は向上しますが、吸収効果は LSTM 方式ほど良くありません。
プロセス学習スキームでは、結果学習と比較してより多くの物理情報が導入され、全体的な汎化能力が向上しますが、通常、計算効率の向上は大幅に低下し、1 桁を超える改善が観察されることはほとんどありません。プロセス学習ソリューションの計算の複雑さをさらに軽減する方法も、今後の詳細な研究が必要な問題です。
図 2. データ駆動型フォワード電磁コンピューティングの研究結果の一部
1.2****物理学に基づく順電磁計算
物理主導のディープ ニューラル ネットワークは、PINN (Physics-Informed Neural Network、PINN) で表されます。この手法は、データ依存性を低減しながらネットワーク近似機能を向上させ、特に小規模なサンプルの学習問題を解決するのに適しています。たとえば、文献 [8] では、U-Net アーキテクチャに基づく損失関数として周波数領域の電場方程式が導入され、自由空間散乱光場を解くために MaxwellNet が提案されています。図 3(b) に示すように、この結果は次のとおりです。ガイド光学レンズ設計に適用されます[9]。
図 3. 部分的な物理ドライバーとオペレーターの順計算学習の研究結果
1.3****オペレータの学習に基づく順電磁計算
DeepONet と FNO は、現在、より人気のあるニューラル オペレーター モデルです。流体問題の解決における FNO の成功も、電磁コンピューティングに影響を与えています。文献 [10] では、周波数領域の自由空間散乱問題を解決するための改良された FNO が提案されており、単純な U-Net 等価ソルバーと比較して、計算精度、トレーニングおよび推論速度の両方が大幅に向上しています。文献 [11] では、周波数領域のマクスウェル方程式を解くための拡張 FNO が提案されており、FDFD と比較して 100 倍を超える加速比が達成されています。
1.4**** 微分可能順電磁計算の計算
FDTD アルゴリズム自体は微分可能であり、さまざまな機能を備えた微分可能なシステムに直接組み込むことができます。一方、図 4(a) に示すように、並列コンピューティング用の既存の深層学習プラットフォームのサポートにより、フォワード シミュレーション プロセスを高速化できます。 [12]。微分不可能なアルゴリズム (高周波法など) の場合。図 4(b) に示すように、文献 [13] では、勾配降下法アルゴリズムを使用して 2 次元ターゲット画像から 3 次元情報を推測できる微分可能な合成開口レーダー (SAR) レンダリング システムが提案されています。
図 4. 微分可能順電磁計算のいくつかの研究結果の概略図
表 1. 4 つのインテリジェント電磁計算方式の特性の比較
**2. **リバースインテリジェント電磁イメージング
電磁逆散乱イメージングは、非破壊検査、地質探査、癌検出、安全検査などに広く使用されています。ただし、逆散乱問題には固有の非線形性と悪条件の性質があるため、特に高ノイズ環境では、逆散乱イメージングに適したマッピング関係を見つけることは非常に困難な問題です。
リバースインテリジェント電磁イメージングの利点は、データからマッピング規則を学習できるため、複雑な電磁モデルの推論と構築のプロセス、および最適化アルゴリズムの反復プロセスが不要になり、イメージングの効率が大幅に向上することです。同時に、特定の逆散乱問題について、深層学習ネットワークは幾何学的な事前情報を暗示するマッピング関係を学習できるため、イメージングの精度が向上し、イメージング解像度の限界を突破する超解像イメージングを実現することもできます。
2.1 純粋なデータ駆動型のリバースインテリジェント電磁イメージング
文献 [14] では、U-Net ネットワークを使用して 3 つのイメージング マッピング関係をさらに学習およびトレーニングしました。これら 3 つのマッピングの出力は、元の散乱電場エコー測定データ、BP アルゴリズムによって生成された予備画像であるターゲット画像入力です。 、および主成分分析によって得られた誘導電流データ。この記事では、著者はこれら 3 つのマッピング関係をそれぞれ直接反転モード、逆伝播モード、主成分電流モードと呼んでいます。テスト後、図 5(b) に示すように、逆伝播モードと主成分電流モードの両方で理想的なターゲット画像を生成できますが、直接反転モードの結像効果は良好ではありません。図 5. U-Net 構造に基づくリバースインテリジェント電磁イメージング
2.2 電磁物理学によるリバースインテリジェント電磁イメージング
逆散乱深層学習ネットワークの構造設計と誤差関数設計に電磁物理メカニズムまたは方程式を導入し、逆散乱問題専用の深層学習モデルをカスタマイズすると、入力と出力の間の非線形関係を学習しやすくなります。
文献 [15] は、逆散乱反復最適化アルゴリズムの方程式構造を深層学習ネットワークの構造設計に導入し、カスケード多層複素数値残差畳み込みニューラル ネットワーク モジュールにより、逆インテリジェント電磁イメージング専用の深層ニューラル ネットワークを構築しました。これは、図 6(a) に示すように、It is DeepNIS と呼ばれます。シミュレーションと実測の両方で、画質と計算時間の点で、DeepNIS が従来の非線形逆散乱法よりも大幅に優れていることが確認されました。
図 6. 反復最適化アルゴリズムに基づくエンドツーエンドのリバース インテリジェント電磁イメージング
**3. ** MindSpore Elec の実践
MindSpore Elec は基本的に、フォワード インテリジェント電磁シミュレーションとリバース インテリジェント電磁イメージングをカバーします。
フォワードインテリジェント電磁シミュレーション:
a) データ駆動型: 携帯電話端末の AI 電磁シミュレーション。シミュレーション精度は従来の科学技術計算ソフトウェアに匹敵し、パフォーマンスは 10 倍向上します(結果学習)。 「Jinling. Electromagnetic Brain」AI 電磁シミュレーション基本モデルの精度は従来の手法と同等であり、効率は 10 倍以上向上し、対象規模が大きくなるにつれて改善はさらに顕著になります (プロセス学習)。
b) 物理ドライブ: PINN 法に基づいて 2 次元の時間領域 MaxWell 方程式を解く場合、ガウス分布関数の平滑化、sin 活性化関数ネットワーク構造と組み合わせたマルチチャネル残差ネットワーク、および適応重み付けを通じて、解の精度とパフォーマンスが向上します。マルチタスク学習戦略は他のフレームワークや方法よりもはるかに優れています。
c) 微分可能順電磁計算の計算: 時間領域差分 (FDTD) 法を使用してマクスウェル方程式を解くプロセスは、循環畳み込みネットワーク (RCNN) に相当します。 MindSpore の微分可能演算子を使用して更新プロセスを書き換えることで、エンドツーエンドの微分可能な FDTD を取得できます。 3 次元パッチ アンテナの S パラメータ シミュレーション精度は BenchMark と一致しています。
リバースインテリジェント電磁イメージング:
a) 純粋なデータ駆動: GPRMAX ソフトウェアに基づいて地中レーダー (GPR) インバージョンのトレーニング データを生成し、電磁波信号を入力することで AI モデルを使用してターゲット構造を迅速かつ正確に取得します。
b) 電磁物理ドライバー: エンドツーエンド微分可能な FDTD に基づいて、2 次元 TM モードの電磁逆散乱問題を解きます。逆変換によって得られた比誘電率 SSIM は 0.9635 に達し、目標と非常に一致しています (下図右)。物理支援 GAN の AI 手法を使用して、メタサーフェス ホログラフィック イメージング設計の教師なし学習を実施します。データセットの作成プロセスを回避し、従来の GS アルゴリズムと比較して、インジケーターと視覚的エクスペリエンスの点で優れたパフォーマンスを備えています。
**4、**展望
Shengsi MindSpore Elec は、インテリジェント電磁気学の分野で多くの取り組みを行ってきました。また、Shengsi MindSpore Elec スイートを共同で拡張および保守するために科学コンピューティングの愛好家や研究者が参加することも歓迎しています。
参考文献
[1] LIU Che、YANG Kaiqiao、BAO Jianghan、他、インテリジェント電磁コンピューティングの最近の進歩、Journal of Radars、2023、12(4): 1–27、doi: 10.12000/JR23133。
[3] https://gitee.com/mindspore/mindscience/tree/master/MindElec
[4] QI Shutong、WANG yingpeng、LI Yongzhong、他。深層学習技術に基づく 2 次元電磁ソルバー [J]。マルチスケールおよびマルチフィジックス計算技術に関する IEEE ジャーナル、2020、5: 83–88。土井: 10.1109/JMMCT.2020.2995811
[5] KONG Dehua、ZHANG Wenwei、HE Xiaoyang、他。マルチヘッド アテンションとターゲット固有の特徴パラメータに基づいた散乱特性のインテリジェントな予測[J]。アンテナと伝播に関する IEEE トランザクション、2023、71(6): 5504–5509。土井：10.1109/TAP。 2023.3262341。
[6] ヤオ・ヘミングとジャン・リージュン。 FDTD 手法の機械学習ベースの PML[J]。 IEEE アンテナと無線伝播レター、2019 年、18(1): 192–196。土井: 10.1109/LAWP.2018.2885570。
[7] ヤオ・ヘミングとジャン・リージュン。 FDTD 法のための長期短期記憶ネットワークに基づいた強化された PML[J]。 IEEE アクセス、2020、8: 21028–21035。土井: 10.1109/ACCESS.2020.2969569
[8] LIM J および PSALTIS D. MaxwellNet: マクスウェルの方程式に基づく物理学主導のディープ ニューラル ネットワーク トレーニング [J]。 APL フォトニクス、2022、7(1): 011301。doi: 10.1063/5.0071616。
[9] GIGLI C、SABA A、AYOUB AB、他。物理駆動型ニューラル ネットワークによる非線形光学散乱の予測[J]。 APL フォトニクス、2023、8(2): 026105。doi: 10.1063/5.0119186。
[10] AUGENSTEIN Y、REPÄN T、および ROCKSTUHL C. 自由形式電磁逆設計のためのニューラル オペレーター ベースの代理ソルバー[J]。 ACS フォトニクス、2023、10(5): 1547–1557。土井: 10.1021/acsphotonics.3c00156。
[11] PENG Zhong、YANG Bo、XU Yixian、他。ニューラル演算子を使用した周波数領域での電磁データの迅速な代理モデリング[J]。地球科学とリモート センシングに関する IEEE トランザクション、2022、60: 2007912。doi: 10.1109/TGRS.2022.3222507
[12] GUO Liangshuai、LI Maokun、XU Shenheng、他。 FDTD と同等のリカレント畳み込みニューラル ネットワークを使用した電磁モデリング: 深層学習フレームワーク上の正確なコンピューティング[J]。 IEEE アンテナと伝播マガジン、2023、65(1): 93–102。土井：10.1109/MAP.2021.3127514。
[13] フー・シーレイとシュ・フォン。微分可能な SAR レンダラーと画像ベースのターゲット再構築[J]。画像処理に関する IEEE トランザクション、2022、31: 6679–6693。土井: 10.1109/TIP.2022.3215069。
[14] 魏振と陳徐東。全波非線形逆散乱問題の深層学習スキーム[J]。地球科学とリモート センシングに関する IEEE トランザクション、2019、57(4): 1849–1860。土井: 10.1109/TGRS.2018.2869221。
1990 年代生まれのプログラマーがビデオ移植ソフトウェアを開発し、1 年足らずで 700 万以上の利益を上げました。結末は非常に懲罰的でした。 Google は、Flutter、Dart、Python チームの中国人プログラマーの「35 歳の呪い」に関係する人員削減を認めた 。Microsoft は 、 無力な中年者にとっては幸運なおもちゃでもある。強力で GPT-4.5 の疑いがある; Tongyi Qianwen オープンソース 8 モデルWindows 1.0 が 3 か月以内に正式に GA Windows 10 の市場シェアは 70% に達し、Windows 11 GitHub がAI ネイティブ開発ツール GitHub Copilot Workspace JAVAをリリースOLTP+OLAP を処理できる唯一の強力なクエリです。これが最高の ORM です。