**Autor:** Yu Fan
fundo
A equipe do acadêmico Cui Tiejun da Southeast University publicou recentemente um artigo de revisão sobre "Vários progressos na computação eletromagnética inteligente" [1], que descreve em detalhes o progresso da inteligência artificial no campo da computação eletromagnética, fornecendo aos leitores uma introdução e compreensão das pesquisas mais recentes neste campo. Os resultados fornecem uma ajuda útil. MindSpore[2] é a primeira estrutura de IA a propor um conjunto de simulação eletromagnética. Este artigo será combinado com o conjunto de simulação eletromagnética MindSpore Elec [3] para análise. O artigo apresenta os resultados mais recentes da pesquisa de computação eletromagnética inteligente em simulação eletromagnética direta e imagem eletromagnética reversa a partir do nível de algoritmo e, em seguida, apresenta o novo sistema de computação inteligente e sistemas baseados em metamateriais de informação relacionados a partir do nível do sistema que combina software e hardware ou digital aplicação de física e, finalmente, resume o texto completo e prevê a direção do desenvolvimento da computação eletromagnética inteligente. Este artigo concentra-se principalmente no nível de software do algoritmo.
**1. ** Simulação eletromagnética inteligente avançada
A tecnologia de simulação eletromagnética direta desempenha um papel decisivo na análise de compatibilidade eletromagnética, projeto de dispositivos eletrônicos, processamento de sinal, projeto de rede de comunicação e outros campos. Dominar a tecnologia de simulação eletromagnética independente e controlável, precisa e rápida é um indicador importante para medir o nível científico e tecnológico e as capacidades de fabricação industrial de um país.
Os métodos de cálculo de simulação eletromagnética direta incluem principalmente métodos de simulação de onda completa, como método de diferenças finitas, método de elementos finitos e método de momento, bem como métodos assintóticos de alta frequência, como método de raios saltitantes. No entanto, face aos requisitos em tempo real, multiescala e outros, ainda há um longo caminho a percorrer. Portanto, um novo paradigma computacional precisa ser proposto para resolver os problemas de eficiência computacional enfrentados pelos métodos tradicionais. A computação inteligente pode melhorar a eficiência da simulação direta. Sua essência é extrair informações físicas eficazes, aprendendo a relação de mapeamento da entrada à saída, construindo assim um modelo de rede neural equivalente para substituir os operadores numéricos tradicionais, garantindo ao mesmo tempo que a precisão do cálculo permaneça basicamente inalterada. redução de complexidade. A computação eletromagnética inteligente avançada é dividida principalmente em duas categorias: orientada por dados e orientada por dados físicos. A inteligência é considerada uma das mais importantes direções de desenvolvimento futuro no campo da eletromagnetismo computacional.
1.1****Cálculo eletromagnético direto baseado em dados
Os cálculos eletromagnéticos baseados em dados são divididos em aprendizado de resultados (ou seja, aprendizado direto do mapeamento dos parâmetros eletromagnéticos até os resultados de cálculo esperados, incluindo valores de campo e correntes, etc.) e aprendizado de processo (ou seja, uso de redes neurais para substituir um elo intermediário nos métodos de simulação tradicionais, para obter maior eficiência computacional), conforme mostrado na Figura 1.
Figura 1. Classificação baseada em dados de cálculos eletromagnéticos diretos
A aprendizagem consequencial é uma das estratégias mais diretas. Por exemplo, a literatura [4] usa CNN em vez do método de diferenças finitas no domínio da frequência (FDFD) para resolver a equação de Helmholtz (ver Figura 2a). O solucionador equivalente projetado na literatura [5] com base no mecanismo de atenção tem um bom desempenho (ver Figura 2b). No conjunto de dados de teste fornecido, a precisão da previsão RCS excede 98% e é quase 100 vezes melhor que o método Calcular momento. acelerar. Como resultado, o aprendizado é intuitivo e eficiente, mas devido à falta de orientação das leis físicas, a precisão da solução e a capacidade de generalização são muitas vezes insatisfatórias.
A aceleração do processo de aprendizagem de links intermediários por meios inteligentes também atraiu atenção. Por exemplo, a literatura [6, 7] propôs o esquema de "limite de absorção inteligente", que usa respectivamente RNN e Long Short Term Memory (Long Short Term Memory, LSTM). para substituir a correspondência ideal. A condição de limite de absorção de camada (Perfectly Matched Layer, PML) pode atingir o efeito de absorção de PML multicamadas sob a condição de um limite inteligente de camada única. O esquema RNN é mais rápido e pode atingir cerca de 2 vezes o limite. velocidade de cálculo, mas o efeito de absorção não é tão bom quanto o esquema LSTM.
Embora o esquema de aprendizagem de processo introduza mais informações físicas e melhore a capacidade geral de generalização em comparação com a aprendizagem de resultados, o ganho de eficiência computacional geralmente é bastante reduzido e é raro observar uma melhoria de mais de 1 ordem de grandeza. Como reduzir ainda mais a complexidade computacional das soluções de aprendizagem de processos também é uma questão que requer um estudo aprofundado no futuro.
Figura 2. Resultados de pesquisa de computação eletromagnética direta baseada em dados parciais
1.2****Cálculos eletromagnéticos avançados orientados pela física
Redes neurais profundas orientadas pela física são representadas por PINNs (Physics-Informed Neural Network, PINN). Este método melhora os recursos de aproximação de rede enquanto reduz a dependência de dados e é particularmente adequado para resolver problemas de aprendizagem de pequenas amostras. Por exemplo, a literatura [8] introduziu a equação do campo elétrico no domínio da frequência como uma função de perda baseada na arquitetura U-Net e propôs MaxwellNet para resolver o campo de luz espalhada no espaço livre. Conforme mostrado na Figura 3 (b), este resultado foi. aplicado para guiar o design de lentes ópticas[9].
Figura 3. Resultados de pesquisa de cálculo direto de aprendizado de operador e driver de física parcial
1.3****Cálculo eletromagnético direto baseado no aprendizado do operador
DeepONet e FNO são atualmente os modelos de operadores neurais mais populares. O sucesso do FNO na resolução de problemas de fluidos também inspirou a computação eletromagnética. A literatura [10] propôs um FNO aprimorado para resolver problemas de espalhamento de espaço livre no domínio da frequência. Em comparação com o solucionador equivalente U-Net simples, tanto a precisão do cálculo quanto a velocidade de treinamento e inferência foram significativamente melhoradas. A literatura [11] propôs um FNO estendido para resolver as equações de Maxwell no domínio da frequência, que alcançou uma taxa de aceleração de mais de 100 vezes em comparação com o FDFD.
1.4**** Cálculo de cálculos eletromagnéticos diretos diferenciáveis
O algoritmo FDTD em si é diferenciável e pode ser diretamente incorporado em sistemas diferenciáveis com diferentes funções. Por outro lado, o processo de simulação direta pode ser acelerado com o suporte de plataformas de aprendizagem profunda existentes para computação paralela, conforme mostrado na Figura 4 (a). [12]. Para algoritmos não diferenciáveis (como métodos de alta frequência). Conforme mostrado na Figura 4 (b), a literatura [13] propôs um sistema de renderização de radar de abertura sintética diferenciável (SAR) que pode usar algoritmos de descida gradiente para inferir informações tridimensionais a partir de imagens alvo bidimensionais.
Figura 4. Representação esquemática de alguns resultados de pesquisas de cálculos eletromagnéticos diretos diferenciáveis
Tabela 1. Comparação das características de quatro métodos de computação eletromagnética inteligente
**2. ** Imagem eletromagnética inteligente reversa
A imagem de espalhamento eletromagnético inverso tem sido amplamente utilizada em testes não destrutivos, exploração geológica, detecção de câncer, inspeção de segurança, etc. No entanto, devido à não linearidade inerente e à natureza mal condicionada do problema de espalhamento inverso, encontrar uma relação de mapeamento adequada para imagens de espalhamento inverso é um problema muito desafiador, especialmente em ambientes de alto ruído.
A vantagem da imagem eletromagnética inteligente reversa é que ela pode aprender regras de mapeamento a partir dos dados, eliminando assim o processo de raciocínio e construção de modelos eletromagnéticos complexos, bem como o processo iterativo no algoritmo de otimização, melhorando significativamente a eficiência da imagem. Ao mesmo tempo, para problemas específicos de espalhamento inverso, as redes de aprendizagem profunda podem aprender relações de mapeamento que implicam informações geométricas anteriores, o que pode melhorar a precisão da imagem e até mesmo obter imagens de super-resolução que ultrapassam o limite de resolução da imagem.
2.1 Imagem eletromagnética inteligente reversa puramente orientada por dados
A literatura [14] usou a rede U-Net para aprender e treinar ainda mais três relacionamentos de mapeamento de imagens. As saídas desses três mapeamentos são entradas de imagem alvo, que são os dados originais de medição de eco de campo elétrico disperso, a imagem preliminar gerada pelo algoritmo BP. e Dados de corrente induzida obtidos por análise de componentes principais. No artigo, o autor chama esses três relacionamentos de mapeamento de modo de inversão direta, modo de retropropagação e modo de corrente de componente principal, respectivamente. Após o teste, tanto o modo de retropropagação quanto o modo de corrente do componente principal podem gerar imagens alvo ideais, mas o efeito de imagem do modo de inversão direta não é bom, conforme mostrado na Figura 5 (b). Figura 5. Imagem eletromagnética inteligente reversa baseada na estrutura U-Net
2.2 Imagem eletromagnética inteligente reversa impulsionada pela física eletromagnética
A introdução de mecanismos ou equações de física eletromagnética no projeto estrutural e no projeto da função de erro da rede de aprendizado profundo de espalhamento inverso e a personalização de um modelo de aprendizado profundo dedicado para o problema de espalhamento inverso podem facilitar o aprendizado da relação não linear entre entrada e saída.
A literatura [15] introduziu a estrutura da equação do algoritmo de otimização iterativa de espalhamento inverso no projeto estrutural da rede de aprendizado profundo, e o módulo de rede neural convolucional residual de valor complexo multicamadas em cascata construiu uma rede neural profunda dedicada à imagem eletromagnética inteligente inversa , que é denominado It is DeepNIS, conforme mostrado na Figura 6 (a). Tanto a simulação quanto a medição real confirmaram que o DeepNIS é significativamente melhor que o método tradicional de espalhamento inverso não linear em termos de qualidade de imagem e tempo de cálculo.
Figura 6. Imagem eletromagnética inteligente reversa ponta a ponta baseada em algoritmo de otimização iterativo
**3. ** Prática MindSpore Elec
MindSpore Elec cobre basicamente simulação eletromagnética inteligente direta e imagem eletromagnética inteligente reversa.
Simulação eletromagnética inteligente direta:
a) Orientado por dados: simulação eletromagnética de IA de telefones celulares terminais, a precisão da simulação é comparável ao software de computação científica tradicional, enquanto o desempenho é melhorado em 10 vezes (aprendizado de resultados). A precisão do modelo básico de simulação eletromagnética de IA "Jinling. Cérebro Eletromagnético" é comparável aos métodos tradicionais, e a eficiência é aumentada em mais de 10 vezes . E à medida que a escala alvo aumenta, a melhoria será mais significativa (aprendizado do processo).
b) Acionamento físico: Ao resolver a equação bidimensional de MaxWell no domínio do tempo com base no método PINNs, a precisão e o desempenho da solução são melhorados por meio de suavização da função de distribuição gaussiana, rede residual multicanal combinada com estrutura de rede da função de ativação do pecado e ponderação adaptativa estratégia de aprendizagem multitarefa são significativamente melhores do que outras estruturas e métodos.
c) Cálculo de cálculos eletromagnéticos diretos diferenciáveis: O processo de resolução das equações de Maxwell usando o método de domínio de tempo de diferenças finitas (FDTD) é equivalente a uma rede convolucional circular (RCNN). Usando o operador diferenciável do MindSpore para reescrever o processo de atualização, podemos obter FDTD diferenciável de ponta a ponta. A precisão da simulação do parâmetro S da antena patch tridimensional é consistente com o BenchMark.
Imagem eletromagnética inteligente reversa:
a) Baseado puramente em dados: Gere dados de treinamento para inversão de radar de penetração no solo (GPR) com base no software GPRMAX e use o modelo de IA para obter a estrutura alvo com rapidez e precisão, inserindo sinais de ondas eletromagnéticas.
b) Driver de física eletromagnética: Resolva o problema de espalhamento inverso eletromagnético do modo TM bidimensional com base no FDTD diferenciável ponta a ponta. A constante dielétrica relativa SSIM obtida pela inversão atinge 0,9635, o que é altamente consistente com o alvo (à direita na figura abaixo); evitando o processo de produção do conjunto de dados, e comparado com o algoritmo GS tradicional, apresenta melhor desempenho em termos de indicadores e experiência visual.
**4、** Perspectiva
Shengsi MindSpore Elec realizou muitos trabalhos no campo da eletromagnetismo inteligente. Também damos as boas-vindas a entusiastas e pesquisadores da computação científica para se juntarem a nós para expandir e manter em conjunto o conjunto Shengsi MindSpore Elec.
referências
[1] LIU Che, YANG Kaiqiao, BAO Jianghan, et al. Progresso recente em computação eletromagnética inteligente[JR23133].
[3] https://gitee.com/mindspore/mindscience/tree/master/MindElec
[4]QI Shutong, WANG Yinpeng, LI Yongzhong, et al. Solucionador eletromagnético bidimensional baseado em técnica de aprendizagem profunda[J]. Jornal IEEE sobre Técnicas Computacionais Multiescala e Multifísica, 2020, 5: 83–88. doi: 10.1109/JMMCT.2020.2995811
[5] KONG Dehua, ZHANG Wenwei, HE Xiaoyang, et al. Predição inteligente para propriedades de dispersão com base na atenção multihead e parâmetro de recurso inerente ao alvo [J]. Transações IEEE sobre Antenas e Propagação, 2023, 71(6): 5504–5509. doi: 10.1109/TAP. 2023.3262341.
[6] YAO Heming e JIANG Lijun. PML baseado em aprendizado de máquina para o método FDTD[J]. Antenas IEEE e cartas de propagação sem fio, 2019, 18(1): 192–196. doi: 10.1109/LAWP.2018.2885570.
[7] YAO Heming e JIANG Lijun. PML aprimorado baseado na rede de memória de longo e curto prazo para o método FDTD[J]. Acesso IEEE, 2020, 8: 21028–21035. doi: 10.1109/ACESSO.2020.2969569
[8] LIM J e PSALTIS D. MaxwellNet: Treinamento de rede neural profunda orientado pela física com base nas equações de Maxwell [J]. APL Fotônica, 2022, 7(1): 011301. doi: 10.1063/5.0071616.
[9] GIGLI C, SABA A, AYOUB AB, et al. Predição de espalhamento óptico não linear com redes neurais orientadas pela física[J]. APL Fotônica, 2023, 8(2): 026105. doi: 10.1063/5.0119186.
[10] AUGENSTEIN Y, REPÄN T e ROCKSTUHL C. Solucionador substituto baseado em operador neural para projeto inverso eletromagnético de forma livre [J]. ACS Fotônica, 2023,10(5): 1547–1557. doi: 10.1021/acsphotonics.3c00156.
[11] PENG Zhong, YANG Bo, XU Yixian, et al. Modelagem substituta rápida de dados eletromagnéticos no domínio da frequência usando operador neural [J]. Transações IEEE sobre Geociências e Sensoriamento Remoto, 2022, 60: 2007912. doi: 10.1109/TGRS.2022.3222507
[12] GUO Liangshuai, LI Maokun, XU Shenheng, et al. Modelagem eletromagnética usando uma rede neural de convolução recorrente equivalente a FDTD: Computação precisa em uma estrutura de aprendizado profundo [J]. Revista IEEE Antenas e Propagação, 2023, 65(1): 93–102. doi: 10.1109/MAP.2021.3127514.
[13] FU Shilei e XU Feng. Renderizador SAR diferenciável e reconstrução de alvo baseada em imagem [J]. Transações IEEE sobre processamento de imagens, 2022, 31: 6679–6693. doi: 10.1109/TIP.2022.3215069.
[14] WEI Zhun e CHEN Xudong. Esquemas de aprendizagem profunda para problemas de espalhamento inverso não linear de onda completa [J]. Transações IEEE sobre Geociências e Sensoriamento Remoto, 2019, 57(4): 1849–1860. doi: 10.1109/TGRS.2018.2869221.
Um programador nascido na década de 1990 desenvolveu um software de portabilidade de vídeo e faturou mais de 7 milhões em menos de um ano. O final foi muito punitivo! Google confirmou demissões, envolvendo a "maldição de 35 anos" dos programadores chineses nas equipes Flutter, Dart e . Python Arc Browser para Windows 1.0 em 3 meses oficialmente GA A participação de mercado do Windows 10 atinge 70%, Windows 11 GitHub continua a diminuir a ferramenta de desenvolvimento nativa de IA GitHub Copilot Workspace JAVA. é a única consulta de tipo forte que pode lidar com OLTP + OLAP. Este é o melhor ORM. Nos encontramos tarde demais.