**저자:** 유 팬
배경
남동대학교 추이티에쥔(Cui Tiejun) 학자 팀은 최근 "지능형 전자기 컴퓨팅의 여러 진전"[1]에 대한 리뷰 논문을 발표했습니다. 이 분야의 최신 연구에 대한 이해는 유용한 도움을 제공합니다. MindSpore[2]는 전자기 시뮬레이션 제품군을 제안하는 최초의 AI 프레임워크입니다. 이 기사는 분석을 위해 MindSpore Elec 전자기 시뮬레이션 제품군[3]과 결합됩니다. 본 논문은 알고리즘 레벨에서 순방향 전자기 시뮬레이션과 역방향 전자기 이미징 분야의 지능형 전자기 컴퓨팅의 최신 연구 결과를 소개하고, 소프트웨어와 하드웨어 또는 디지털을 결합한 시스템 레벨에서 새로운 지능형 컴퓨팅 시스템과 관련 정보 메타물질 기반 시스템을 소개합니다. 물리학 응용, 최종적으로 전문을 요약하고 지능형 전자기 컴퓨팅의 발전 방향을 예측합니다. 이 기사는 주로 알고리즘 소프트웨어 수준에 중점을 둡니다.
**1. ** 순방향 지능형 전자기 시뮬레이션
순방향 전자기 시뮬레이션 기술은 전자기 호환성 분석, 전자 장치 설계, 신호 처리, 통신 네트워크 설계 및 기타 분야에서 결정적인 역할을 합니다. 독립적이고 제어 가능한 정확하고 빠른 전자기 시뮬레이션 기술을 습득하는 것은 국가의 과학 기술 수준과 산업 제조 능력을 측정하는 중요한 지표입니다.
순방향 전자기 시뮬레이션 계산 방법에는 주로 유한 차분법, 유한 요소법, 모멘트법과 같은 전파 시뮬레이션 방법과 바운싱 광선법과 같은 고주파 점근법이 포함됩니다. 그러나 실시간, 다중 규모 및 기타 요구 사항에 직면하여 아직 갈 길이 멀습니다. 따라서 기존 방식이 직면한 연산 효율성 문제를 해결하기 위해서는 새로운 컴퓨팅 패러다임이 제시되어야 한다. 지능형 컴퓨팅은 순방향 시뮬레이션 효율성을 향상시킬 수 있습니다. 그 본질은 입력에서 출력까지의 매핑 관계를 학습하여 효과적인 물리적 정보를 추출함으로써 기존 수치 연산자를 대체하는 동등한 신경망 모델을 구축하는 동시에 계산 정확도를 기본적으로 유지하는 것입니다. 복잡성 감소. 전방 지능형 전자기 컴퓨팅은 주로 데이터 기반과 물리적 기반의 두 가지 범주로 나뉩니다. 지능은 계산 전자기학 분야에서 가장 중요한 미래 개발 방향 중 하나로 간주됩니다.
1.1****데이터 기반 순방향 전자기 계산
데이터 기반 전자기 계산은 크게 결과 학습(즉, 전자기 매개변수에서 필드 값 및 전류 등을 포함한 예상 계산 결과까지 매핑하는 것을 직접 학습)과 프로세스 학습(즉, 신경망을 사용하여 대체)으로 나누어집니다. 향상된 컴퓨팅 효율성을 달성하기 위해 전통적인 시뮬레이션 방법의 중간 링크)(그림 1 참조).
그림 1. 순방향 전자기 계산의 데이터 기반 분류
결과적 학습은 가장 간단한 전략 중 하나입니다. 예를 들어, 문헌[4]에서는 헬름홀츠 방정식을 풀기 위해 주파수 영역 유한 차분 방법(FDFD) 대신 CNN을 사용합니다(그림 2a 참조). Attention 메커니즘을 기반으로 문헌[5]에서 설계된 등가 솔버는 잘 수행됩니다(그림 2b 참조). 주어진 테스트 데이터 세트에서 RCS 예측 정확도는 98%를 초과하며 계산 방법보다 거의 100배 더 좋습니다. 속도를 올리다. 결과적으로 학습은 직관적이고 효율적이나, 물리법칙 안내가 부족하여 풀이의 정확성과 일반화 능력이 만족스럽지 못한 경우가 많습니다.
중간 링크에서 프로세스 학습을 가속화하기 위해 지능형 수단을 사용하는 것도 주목을 끌었습니다. 예를 들어 문헌 [6, 7]에서는 각각 RNN과 Long Short Term Memory(Long Short Term Memory, LSTM)를 사용하는 "지능형 흡수 경계" 방식을 제안했습니다. 이상적인 매칭을 대체하기 위해 레이어 흡수 경계 조건(Perfectly Matched Layer, PML)은 단일 레이어 지능형 경계 조건에서 다층 PML의 흡수 효과를 달성할 수 있으며 RNN 방식은 더 빠르고 약 2배 더 많은 효과를 달성할 수 있습니다. 계산 속도는 좋지만 흡수 효과는 LSTM 방식만큼 좋지 않습니다.
프로세스 학습 기법은 결과 학습에 비해 더 많은 물리적 정보를 도입하고 전반적인 일반화 능력을 향상시키지만 일반적으로 계산 효율성 이득이 크게 감소하며 1자릿수 이상의 개선을 관찰하는 경우는 거의 없습니다. 프로세스 학습 솔루션의 계산 복잡도를 어떻게 더 줄일 것인가 역시 향후 심층적인 연구가 필요한 문제이다.
그림 2. 부분 데이터 기반 순방향 전자기 컴퓨팅 연구 결과
1.2****물리 기반 순방향 전자기 계산
물리학 기반 심층 신경망은 PINN(Physics-Informed Neural Network, PINN)으로 대표됩니다. 이 방법은 데이터 의존성을 줄이면서 네트워크 근사 기능을 향상시키며 특히 소규모 샘플 학습 문제를 해결하는 데 적합합니다. 예를 들어 문헌 [8]에서는 U-Net 아키텍처를 기반으로 손실 함수로 주파수 영역 전기장 방정식을 도입하고 자유 공간 산란광장을 해결하기 위해 MaxwellNet을 제안했으며 이 결과는 그림 3(b)와 같습니다. 광학 렌즈 설계에 적용됩니다[9].
그림 3. 부분물리 드라이버와 연산자 학습 순방향 계산 연구 결과
1.3****운영자 학습을 기반으로 한 순방향 전자기 계산
DeepONet과 FNO는 현재 가장 인기 있는 신경 연산자 모델입니다. FNO의 유체 문제 해결 성공은 전자기 컴퓨팅에도 영감을 주었습니다. 문헌[10]에서는 주파수 영역 자유 공간 산란 문제를 해결하기 위해 개선된 FNO를 제안했습니다. 간단한 U-Net 등가 솔버와 비교하여 계산 정확도와 훈련 및 추론 속도가 크게 향상되었습니다. 문헌[11]에서는 주파수 영역 Maxwell 방정식을 풀기 위해 확장된 FNO를 제안했는데, 이는 FDFD에 비해 100배 이상의 가속도 비율을 달성했습니다.
1.4**** 미분 가능한 순방향 전자기 계산 계산
FDTD 알고리즘 자체는 미분 가능하며 다양한 기능을 가진 미분 가능 시스템에 직접 내장될 수 있습니다. 반면에 그림 4(a)에 표시된 것처럼 병렬 컴퓨팅을 위한 기존 딥 러닝 플랫폼의 지원을 통해 순방향 시뮬레이션 프로세스를 가속화할 수 있습니다. [12]. 미분 불가능한 알고리즘(고빈도 방법 등)의 경우. 그림 4(b)와 같이 문헌[13]에서는 경사하강법 알고리즘을 사용하여 2차원 대상 이미지에서 3차원 정보를 추론할 수 있는 미분 가능한 합성 개구 레이더(SAR) 렌더링 시스템을 제안했습니다.
그림 4. 미분 가능한 순방향 전자기 계산에 대한 일부 연구 결과의 도식적 표현
표 1. 4가지 지능형 전자기 컴퓨팅 방식의 특성 비교
**2. ** 역지능 전자기 이미징
전자기 역산란 이미징은 비파괴 검사, 지질 탐사, 암 탐지, 안전 검사 등에 널리 사용되었습니다. 그러나 역산란 문제의 고유한 비선형성과 조건이 좋지 않은 특성으로 인해 역산란 이미징에 적합한 매핑 관계를 찾는 것은 특히 노이즈가 많은 환경에서 매우 어려운 문제입니다.
역지능형 전자기 이미징의 장점은 데이터로부터 매핑 규칙을 학습할 수 있으므로 복잡한 전자기 모델 추론 및 구성 과정은 물론 최적화 알고리즘의 반복 프로세스가 제거되어 이미징 효율성이 크게 향상된다는 것입니다. 동시에 특정 역산란 문제의 경우 딥 러닝 네트워크는 기하학적 사전 정보를 암시하는 매핑 관계를 학습할 수 있습니다. 이를 통해 이미징 정확도를 향상하고 이미징 해상도 한계를 뛰어넘는 초고해상도 이미징을 달성할 수도 있습니다.
2.1 순수 데이터 기반 역지능형 전자기 이미징
문헌[14]은 U-Net 네트워크를 사용하여 세 가지 이미징 매핑 관계를 추가로 학습하고 훈련합니다. 이 세 가지 매핑의 출력은 원래 산란 전기장 에코 측정 데이터인 대상 이미지 입력이며, BP 알고리즘에 의해 생성된 예비 이미지입니다. 및 주성분 분석을 통해 얻은 유도 전류 데이터. 기사에서 저자는 이 세 가지 매핑 관계를 각각 직접 반전 모드, 역전파 모드, 주성분 현재 모드라고 부릅니다. 테스트 후 역전파 모드와 주성분 전류 모드 모두 이상적인 목표 이미지를 생성할 수 있지만 그림 5(b)에 표시된 것처럼 직접 반전 모드의 이미징 효과는 좋지 않습니다. 그림 5. U-Net 구조 기반 역지능형 전자기영상
2.2 전자기 물리학에 의한 역지능형 전자기 이미징
역산란 딥러닝 네트워크의 구조 설계 및 오류 함수 설계에 전자기 물리학 메커니즘 또는 방정식을 도입하고 역산란 문제에 대한 전용 딥러닝 모델을 맞춤화하면 입력과 출력 간의 비선형 관계를 더 쉽게 학습할 수 있습니다.
문헌[15]에서는 역산란 반복 최적화 알고리즘의 방정식 구조를 딥러닝 네트워크의 구조 설계에 도입하고 계단식 다층 복소수 잔차 합성곱 신경망 모듈을 통해 역지능 전자기 이미징 전용 심층 신경망을 구축했습니다. , 그림 6(a)와 같이 DeepNIS라고 합니다. 시뮬레이션과 실제 측정 모두 DeepNIS가 이미지 품질과 계산 시간 측면에서 기존 비선형 역산란 방법보다 훨씬 우수하다는 것을 확인했습니다.
그림 6. 반복 최적화 알고리즘 기반 엔드 투 엔드 역지능 전자기 이미징
**3.** 마인드스포어 일렉(MindSpore Elec) 실습
MindSpore Elec은 기본적으로 순방향 지능형 전자기 시뮬레이션과 역방향 지능형 전자기 이미징을 다룹니다.
앞으로 지능형 전자기 시뮬레이션:
a) 데이터 기반: 단말기 휴대폰의 AI 전자기 시뮬레이션으로 시뮬레이션 정확도는 기존 과학 컴퓨팅 소프트웨어와 비슷하며 성능은 10배 향상됩니다 (결과 학습). "Jinling. 전자기 뇌" AI 전자기 시뮬레이션 기본 모델의 정확도는 기존 방법과 비슷하며 효율성은 10배 이상 증가합니다 . 그리고 목표 규모가 증가할수록 개선 효과가 더욱 커집니다(프로세스 학습).
b) 물리적 구동: PINNs 방법을 기반으로 2차원 시간 영역 MaxWell 방정식을 풀 때 가우스 분포 함수 평활화, Sin 활성화 함수 네트워크 구조와 결합된 다채널 잔여 네트워크 및 적응형 가중치를 통해 솔루션 정확도 및 성능이 향상됩니다. 다중 작업 학습 전략은 다른 프레임워크 및 방법보다 훨씬 낫습니다.
c) 미분 가능한 순방향 전자기 계산 계산: FDTD(유한 차분 시간 영역) 방법을 사용하여 맥스웰 방정식을 푸는 과정은 RCNN(원형 컨벌루션 네트워크)과 동일합니다. MindSpore의 미분 가능 연산자를 사용하여 업데이트 프로세스를 다시 작성함으로써 종단 간 미분 가능 FDTD를 얻을 수 있습니다. 3차원 패치 안테나의 S-파라미터 시뮬레이션 정확도는 BenchMark와 일치합니다.
역방향 지능형 전자기 이미징:
a) 순수 데이터 기반: GPRMAX 소프트웨어를 기반으로 GPR(지상투과레이더) 반전을 위한 훈련 데이터를 생성하고, AI 모델을 사용하여 전자파 신호를 입력하여 표적 구조물을 빠르고 정확하게 획득합니다.
b) 전자기 물리학 드라이버: 종단 간 미분 가능 FDTD를 기반으로 하는 2차원 TM 모드의 전자기 역산란 문제를 해결합니다. 반전을 통해 얻은 비유전율 SSIM은 목표와 매우 일치하는 0.9635에 도달합니다(아래 그림의 오른쪽). 물리 기반 GAN의 AI 방법을 사용하여 메타표면 홀로그램 이미징 설계에 대한 비지도 학습을 수행합니다. 데이터 세트의 생산 프로세스를 피하고 기존 GS 알고리즘과 비교하여 지표 및 시각적 경험 측면에서 더 나은 성능을 제공합니다.
**4, ** 전망
Shengsi MindSpore Elec은 지능형 전자기학 분야에서 많은 작업을 수행해 왔습니다. 우리는 또한 Shengsi MindSpore Elec 제품군을 공동으로 확장하고 유지하기 위해 과학 컴퓨팅 애호가와 연구자들의 참여를 환영합니다.
참고자료
[1] LIU Che, YANG Kaiqiao, BAO Jianghan 등 지능형 전자기 컴퓨팅의 최근 진행 상황[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 등. 딥러닝 기법을 기반으로 한 2차원 전자기 솔버[J]. 다중 규모 및 다중 물리 계산 기술에 관한 IEEE 저널, 2020, 5: 83–88. 도이: 10.1109/JMMCT.2020.2995811
[5] KONG Dehua, ZHANG Wenwei, HE Xiaoyang 등. 다중 헤드 주의 및 대상 고유 특징 매개변수[J]를 기반으로 산란 속성에 대한 지능적인 예측. 안테나 및 전파에 관한 IEEE 거래, 2023, 71(6): 5504-5509. 도이: 10.1109/TAP. 2023.3262341.
[6] YAO Heming 및 JIANG Lijun. FDTD 방법을 위한 머신러닝 기반 PML[J]. IEEE 안테나 및 무선 전파 편지, 2019, 18(1): 192-196. 도이: 10.1109/LAWP.2018.2885570.
[7] YAO Heming 및 JIANG Lijun. FDTD 방법에 대한 장단기 기억 네트워크를 기반으로 한 향상된 PML[J]. IEEE 액세스, 2020, 8: 21028–21035. 도이: 10.1109/ACCESS.2020.2969569
[8] LIM J 및 PSALTIS D. MaxwellNet: Maxwell 방정식을 기반으로 한 물리학 기반 심층 신경망 훈련[J]. APL 포토닉스, 2022, 7(1): 011301. doi: 10.1063/5.0071616.
[9] GIGLI C, SABA A, AYOUB AB, 외. 물리 기반 신경망을 이용한 비선형 광학 산란 예측[J] APL 포토닉스, 2023, 8(2): 026105. doi: 10.1063/5.0119186.
[10] AUGENSTEIN Y, REPäN T 및 ROCKSTUHL C. 자유 형식 전자기 역설계를 위한 신경 연산자 기반 대리 솔버[J]. ACS 포토닉스, 2023,10(5): 1547-1557. doi: 10.1021/acsphotonics.3c00156.
[11] PENG Zhong, YANG Bo, XU Yixian 등. 신경 연산자를 사용하여 주파수 영역에서 전자기 데이터의 신속한 대리 모델링[J]. 지구과학과 원격 탐사에 관한 IEEE 거래, 2022, 60: 2007912. doi: 10.1109/TGRS.2022.3222507
[12] GUO Liangshuai, LI Maokun, XU Shenheng 등. FDTD와 동등한 순환 컨볼루션 신경망을 사용한 전자기 모델링: 딥 러닝 프레임워크에서 정확한 컴퓨팅[J]. IEEE 안테나 및 전파 매거진, 2023, 65(1): 93–102. 도이: 10.1109/MAP.2021.3127514.
[13] FU Shilei 및 XU Feng. 미분 가능한 SAR 렌더러 및 이미지 기반 표적 재구성[J]. 이미지 처리에 관한 IEEE 거래, 2022, 31: 6679–6693. 도이: 10.1109/TIP.2022.3215069.
[14] WEI Zhun 및 CHEN Xudong. 전파 비선형 역산란 문제에 대한 딥러닝 방식[J]. 지구과학과 원격 탐사에 관한 IEEE 거래, 2019, 57(4): 1849-1860. 도이: 10.1109/TGRS.2018.2869221.
1990년대에 태어난 프로그래머가 비디오 포팅 소프트웨어를 개발하여 1년도 안 되어 700만 개 이상의 수익을 올렸습니다. 결말은 매우 처참했습니다! Google은 Flutter, Dart 및 Python 팀의 중국 코더의 "35세 저주"와 관련된 정리해고를 확인했습니다 . | Daily Windows 1.0용 Arc Browser가 3개월 만에 공식적으로 GA Windows 10 시장 점유율이 70%에 도달했으며 Windows 11 GitHub는 AI 기본 개발 도구 GitHub Copilot Workspace JAVA를 계속해서 출시했습니다 . OLTP+OLAP을 처리할 수 있는 유일한 강력한 유형의 쿼리입니다. 우리는 너무 늦게 만났습니다 .