**Автор:** Ю Фань
фон
Команда академика Цюй Теджуна из Юго-Восточного университета недавно опубликовала обзорную статью «Некоторые достижения в области интеллектуальных электромагнитных вычислений» [1], в которой подробно описывается прогресс искусственного интеллекта в области электромагнитных вычислений, предоставляя читателям введение в и понимание последних исследований в этой области. Результаты оказывают полезную помощь. MindSpore[2] — первая платформа искусственного интеллекта, предлагающая пакет электромагнитного моделирования. Эта статья будет объединена с пакетом электромагнитного моделирования MindSpore Elec [3] для анализа. В документе представлены новейшие результаты исследований интеллектуальных электромагнитных вычислений в прямом электромагнитном моделировании и обратном электромагнитном изображении на уровне алгоритмов, а затем представлены новая интеллектуальная вычислительная система и связанные с ней информационные системы на основе метаматериалов на системном уровне, который сочетает в себе программное и аппаратное обеспечение или цифровые технологии. применение физики, и, наконец, обобщает полный текст и прогнозирует направление развития интеллектуальных электромагнитных вычислений. В этой статье основное внимание уделяется программному уровню алгоритмов.
**1. ** Передовое интеллектуальное электромагнитное моделирование.
Технология прямого электромагнитного моделирования играет решающую роль в анализе электромагнитной совместимости, проектировании электронных устройств, обработке сигналов, проектировании сетей связи и других областях. Освоение независимой и контролируемой, точной и быстрой технологии электромагнитного моделирования является важным показателем для измерения научно-технического уровня страны и возможностей промышленного производства.
Методы расчета прямого электромагнитного моделирования в основном включают методы полноволнового моделирования, такие как метод конечных разностей, метод конечных элементов и метод моментов, а также высокочастотные асимптотические методы, такие как метод отражающихся лучей. Однако, учитывая требования реального времени, многомасштабности и другие требования, предстоит пройти еще долгий путь. Поэтому необходимо предложить новую парадигму вычислений для решения проблем эффективности вычислений, с которыми сталкиваются традиционные методы. Интеллектуальные вычисления могут повысить эффективность прямого моделирования. Его суть заключается в извлечении эффективной физической информации путем изучения взаимосвязей между входными и выходными данными, тем самым создавая эквивалентную модель нейронной сети для замены традиционных числовых операторов, гарантируя при этом, что точность вычислений остается практически неизменной. снижение сложности. Передовые интеллектуальные электромагнитные вычисления в основном делятся на две категории: управляемые данными и физические. Интеллект рассматривается как одно из наиболее важных направлений будущего развития в области вычислительной электромагнетики.
1.1****Прямой электромагнитный расчет на основе данных
Электромагнитные расчеты, управляемые данными, грубо делятся на обучение по результатам (то есть непосредственное обучение сопоставлению электромагнитных параметров с ожидаемыми результатами вычислений, включая значения полей, токи и т. д.) и обучение по процессам (то есть использование нейронных сетей для замены промежуточное звено в традиционных методах моделирования, для достижения повышения эффективности вычислений), как показано на рисунке 1.
Рисунок 1. Классификация прямых электромагнитных расчетов на основе данных
Последовательное обучение — одна из самых простых стратегий. Например, в литературе [4] для решения уравнения Гельмгольца вместо метода конечных разностей частотной области (FDFD) используется CNN (см. рисунок 2а). Эквивалентный решатель, разработанный в литературе [5] на основе механизма внимания, работает хорошо (см. Рисунок 2б). На данном наборе тестовых данных точность прогнозирования RCS превышает 98% и почти в 100 раз лучше, чем метод расчета. ускорение. В результате обучение является интуитивно понятным и эффективным, но из-за отсутствия руководства по физическим законам точность решения и способность к обобщению часто оказываются неудовлетворительными.
Использование интеллектуальных средств для ускорения процесса обучения в промежуточных звеньях также привлекло внимание. Например, в литературе [6, 7] предложена схема «интеллектуальной границы поглощения», использующая соответственно RNN и Long Short Term Memory (Long Short Term Memory, LSTM). для замены идеального соответствия. Граничное условие поглощения слоев (Perfectly Matched Layer, PML) может достичь эффекта поглощения многослойного PML при условии однослойной интеллектуальной границы. Схема RNN работает быстрее и может достичь примерно в 2 раза большего. скорость вычислений, но эффект поглощения не так хорош, как у схемы LSTM.
Хотя схема процессного обучения вводит больше физической информации и улучшает общую способность к обобщению по сравнению с обучением по результатам, прирост вычислительной эффективности обычно значительно снижается, и редко можно наблюдать улучшение более чем на 1 порядок. Как еще больше снизить вычислительную сложность решений по обучению процессов, также является вопросом, требующим углубленного изучения в будущем.
Рисунок 2. Частичные результаты исследования электромагнитных вычислений на основе данных
1.2****Прямые электромагнитные расчеты на основе физики
Глубокие нейронные сети, управляемые физикой, представлены PINN (нейронная сеть, основанная на физике, PINN). Этот метод улучшает возможности аппроксимации сети, одновременно уменьшая зависимость от данных, и особенно подходит для решения задач обучения на небольших выборках. Например, в литературе [8] было представлено уравнение электрического поля в частотной области как функция потерь, основанное на архитектуре U-Net, и предложено MaxwellNet для решения рассеянного светового поля в свободном пространстве. Как показано на рисунке 3 (b), этот результат был следующим. применяется для проектирования оптических линз[9].
Рисунок 3. Результаты исследования прямого расчета драйверов и операторов с частичным физическим обучением
1.3****Прямой электромагнитный расчет на основе обучения оператора
DeepONet и FNO в настоящее время являются наиболее популярными моделями нейронных операторов. Успех FNO в решении проблем с жидкостью также вдохновил электромагнитные вычисления. В литературе [10] предложен улучшенный FNO для решения задач рассеяния в свободном пространстве в частотной области. По сравнению с простым эквивалентным решателем U-Net, точность вычислений, а также скорость обучения и вывода были значительно улучшены. В литературе [11] предложен расширенный FNO для решения уравнений Максвелла в частотной области, который обеспечивает коэффициент ускорения более чем в 100 раз по сравнению с FDFD.
1.4**** Расчет дифференцируемых прямых электромагнитных расчетов
Алгоритм FDTD сам по себе является дифференцируемым и может быть непосредственно встроен в дифференцируемые системы с различными функциями. С другой стороны, процесс прямого моделирования можно ускорить за счет поддержки существующих платформ глубокого обучения для параллельных вычислений, как показано на рисунке 4(а). [12]. Для недифференцируемых алгоритмов (например, высокочастотных методов). Как показано на рисунке 4(b), в литературе [13] предложена система рендеринга радара с дифференцируемой синтезированной апертурой (SAR), которая может использовать алгоритмы градиентного спуска для вывода трехмерной информации из двумерных изображений цели.
Рис. 4. Схематическое изображение некоторых результатов исследований дифференцируемых прямых электромагнитных расчетов.
Таблица 1. Сравнение характеристик четырех методов интеллектуальных электромагнитных вычислений
**2. ** Обратная интеллектуальная электромагнитная визуализация.
Электромагнитная визуализация с обратным рассеянием широко используется в неразрушающем контроле, геологоразведке, обнаружении рака, проверке безопасности и т. д. Однако из-за присущей обратной задаче рассеяния нелинейности и плохо обусловленного характера поиск подходящего соотношения отображения для построения изображений обратного рассеяния является очень сложной проблемой, особенно в условиях высокого шума.
Преимущество обратной интеллектуальной электромагнитной визуализации заключается в том, что она может изучать правила отображения на основе данных, тем самым исключая процесс рассуждения и построения сложной электромагнитной модели, а также итерационный процесс в алгоритме оптимизации, что значительно повышает эффективность визуализации. В то же время для конкретных задач обратного рассеяния сети глубокого обучения могут изучать отношения отображения, которые подразумевают априорную геометрическую информацию, что может повысить точность визуализации и даже достичь визуализации со сверхвысоким разрешением, выходящей за пределы разрешения визуализации.
2.1 Обратная интеллектуальная электромагнитная визуализация, основанная исключительно на данных
В литературе [14] сеть U-Net использовалась для дальнейшего изучения и обучения трем соотношениям отображения изображений. Выходными данными этих трех отображений являются входные данные целевого изображения, которые представляют собой исходные данные измерения эхо-сигнала рассеянного электрического поля, предварительное изображение, сгенерированное алгоритмом BP. и Данные наведенного тока, полученные методом главных компонент. В статье автор называет эти три соотношения отображения режимом прямой инверсии, режимом обратного распространения и режимом тока главного компонента соответственно. После тестирования как режим обратного распространения ошибки, так и режим тока главной компоненты могут генерировать идеальные целевые изображения, но эффект отображения в режиме прямой инверсии не очень хорош, как показано на рисунке 5 (b). Рисунок 5. Обратная интеллектуальная электромагнитная визуализация на основе структуры U-Net
2.2 Обратная интеллектуальная электромагнитная визуализация, основанная на электромагнитной физике
Введение механизмов или уравнений электромагнитной физики в структурный проект и проектирование функции ошибок сети глубокого обучения обратного рассеяния, а также настройка специальной модели глубокого обучения для обратной задачи рассеяния может облегчить изучение нелинейной взаимосвязи между входными и выходными данными.
В литературе [15] была введена структура уравнения алгоритма итеративной оптимизации обратного рассеяния в структурный проект сети глубокого обучения, а модуль каскадной многослойной комплекснозначной остаточной сверточной нейронной сети построил глубокую нейронную сеть, предназначенную для обратного интеллектуальной электромагнитной визуализации. , который называется DeepNIS, как показано на рисунке 6(a). И моделирование, и фактические измерения подтвердили, что DeepNIS значительно лучше традиционного метода нелинейного обратного рассеяния с точки зрения качества изображения и времени расчета.
Рисунок 6. Сквозная обратная интеллектуальная электромагнитная визуализация на основе алгоритма итеративной оптимизации.
**3. ** Практика MindSpore Elec.
MindSpore Elec в основном охватывает прямое интеллектуальное электромагнитное моделирование и обратное интеллектуальное электромагнитное изображение.
Передовое интеллектуальное электромагнитное моделирование:
а) На основе данных: электромагнитное моделирование терминалов мобильных телефонов с помощью искусственного интеллекта, точность моделирования сопоставима с традиционным программным обеспечением для научных вычислений, а производительность улучшена в 10 раз (обучение результатов). Точность базовой модели электромагнитного моделирования искусственного интеллекта «Цзинлин. Электромагнитный мозг» сопоставима с традиционными методами, а эффективность увеличивается более чем в 10 раз . А по мере увеличения целевого масштаба улучшение будет более значительным (обучение процесса).
б) Физический привод: при решении двумерного уравнения Максвелла во временной области на основе метода PINNs точность и производительность решения улучшаются за счет сглаживания функции распределения Гаусса, многоканальной остаточной сети в сочетании со структурой сети функции активации греха и адаптивного взвешивания. стратегии многозадачного обучения значительно лучше, чем другие структуры и методы.
в) Расчет дифференцируемых прямых электромагнитных вычислений: процесс решения уравнений Максвелла с использованием метода конечных разностей во временной области (FDTD) эквивалентен круговой сверточной сети (RCNN). Используя дифференцируемый оператор MindSpore для перезаписи процесса обновления, мы можем получить сквозную дифференцируемую FDTD. Точность моделирования S-параметров трехмерной патч-антенны соответствует данным BenchMark.
Обратная интеллектуальная электромагнитная визуализация:
а) Чисто на основе данных: сгенерируйте обучающие данные для инверсии георадара (GPR) на основе программного обеспечения GPRMAX и используйте модель искусственного интеллекта для быстрого и точного получения целевой структуры путем ввода сигналов электромагнитных волн.
б) Драйвер электромагнитной физики: решите обратную задачу электромагнитного рассеяния в двумерном режиме ТМ на основе сквозного дифференцируемого FDTD. Относительная диэлектрическая проницаемость SSIM, полученная путем инверсии, достигает 0,9635, что полностью соответствует целевому значению (справа на рисунке ниже); избегая процесса производства набора данных, и по сравнению с традиционным алгоритмом GS он имеет лучшую производительность с точки зрения индикаторов и визуального опыта.
**4、** Перспективы
Shengsi MindSpore Elec проделала большую работу в области интеллектуальной электромагнетики. Мы также приглашаем энтузиастов научных вычислений и исследователей присоединиться к нам для совместного расширения и поддержки пакета Shengsi MindSpore Elec.
Рекомендации
[1] Лю Че, Ян Кайцяо, Бао Цзянхань и др. Последние достижения в области интеллектуальных электромагнитных вычислений [J]. Журнал радаров, 2023, 12 (4): 1–27. doi: 10.12000/JR23133.
[3] https://gitee.com/mindspore/mindscience/tree/master/MindElec
[4] Ци Шутун, ВАН Иньпэн, Ли Юнчжун и др. Двумерный электромагнитный решатель, основанный на технике глубокого обучения[J]. Журнал IEEE по многомасштабным и мультифизическим вычислительным методам, 2020, 5: 83–88. doi: 10.1109/JMMCT.2020.2995811
[5] КОНГ Дэхуа, ЧЖАН Вэньвэй, ХЭ Сяоян и др. Интеллектуальное прогнозирование свойств рассеяния на основе многоголового внимания и целевого параметра свойственных характеристик[J]. Транзакции IEEE по антеннам и распространению, 2023, 71 (6): 5504–5509. дои: 10.1109/TAP. 2023.3262341.
[6] ЯО Хэмин и Цзян Лицзюнь. PML на основе машинного обучения для метода FDTD[J]. Письма об антеннах и распространении беспроводной связи IEEE, 2019, 18(1): 192–196. дои: 10.1109/LAWP.2018.2885570.
[7] ЯО Хэмин и Цзян Лицзюнь. Расширенный PML на основе сети долговременной краткосрочной памяти для метода FDTD[J]. Доступ IEEE, 2020, 8: 21028–21035. doi: 10.1109/ACCESS.2020.2969569
[8] LIM J и PSALTIS D. MaxwellNet: Обучение глубоких нейронных сетей, основанное на физике, на основе уравнений Максвелла [J]. APL Photonics, 2022, 7(1): 011301. doi: 10.1063/5.0071616.
[9] ГИГЛИ С., САБА А., АЮБ А.Б. и др. Прогнозирование нелинейного оптического рассеяния с помощью нейронных сетей, основанных на физике[J]. APL Photonics, 2023, 8(2): 026105. doi: 10.1063/5.0119186.
[10] AUGENSTEIN Y, REPÄN T и ROCKSTUHL C. Суррогатный решатель на основе нейронных операторов для электромагнитного обратного проектирования свободной формы [J]. ACS Photonics, 2023, 10(5): 1547–1557. doi: 10.1021/acsphotonics.3c00156.
[11] ПЭН Чжун, ЯН Бо, Сюй Исянь и др. Быстрое суррогатное моделирование электромагнитных данных в частотной области с использованием нейронного оператора[J]. Транзакции IEEE по геонаукам и дистанционному зондированию, 2022, 60: 2007912. doi: 10.1109/TGRS.2022.3222507
[12] ГО Ляншуай, ЛИ Маокунь, Сюй Шэньхэн и др. Электромагнитное моделирование с использованием рекуррентной сверточной нейронной сети, эквивалентной FDTD: точные вычисления в рамках глубокого обучения [J]. Журнал IEEE Antennas and Propagation, 2023, 65(1): 93–102. дои: 10.1109/MAP.2021.3127514.
[13] ФУ Шилей и Сюй Фэн. Дифференцируемый рендерер SAR и целевая реконструкция на основе изображений[J]. Транзакции IEEE по обработке изображений, 2022, 31: 6679–6693. дои: 10.1109/TIP.2022.3215069.
[14] Вэй Чжун и Чэнь Сюдун. Схемы глубокого обучения для полноволновых нелинейных обратных задач рассеяния [J]. Транзакции IEEE по геонаукам и дистанционному зондированию, 2019, 57 (4): 1849–1860. дои: 10.1109/TGRS.2018.2869221.
Программист, родившийся в 1990-х годах, разработал программу для переноса видео и заработал более 7 миллионов менее чем за год. Концовка была очень суровой! Google подтвердил увольнения, связанные с «проклятием 35-летней давности» китайских программистов в командах Flutter, Dart и . Python Arc Browser для Windows 1.0 через 3 месяца официально Доля рынка Windows 10 достигает 70%, Windows 11 GitHub продолжает снижаться GitHub выпускает собственный инструмент разработки AI GitHub Copilot Workspace JAVA. — единственный запрос строгого типа, который может обрабатывать OLTP+OLAP. Это лучший ORM. Мы встречаемся слишком поздно.