CNAI4S
智算平台热点追踪算子框架领域模型科学任务智算套件数据资源智算评测协作社区运行情况

友情链接

科技部工信部北京航空航天大学浙江大学
中山大学北京大学华中科技大学之江实验室
百度飞桨华为昇思中科可控
版权所有:科学智算共性平台 京ICP备18020905号-2
京公网安备11010802046602号
联系邮箱: tianyuc@buaa.edu.cn
科学任务/电磁学/基于参数化方案的AI电磁仿真

基于参数化方案的AI电磁仿真

实现基于参数化方案的AI电磁仿真,为电磁器件设计提供高效的预测工具。

电磁学华为Model Arts

方法简介

电磁仿真在天线、芯片和手机等产品设计过程中应用广泛,主要目的是获取待仿真目标的传输特性(散射参数、电磁场等)。散射参数(S参数)是建立在输入波、反射波基础上的网络参数,用于微波电路分析,以器件端口的反射信号强度以及从该端口传向另一端口的信号的强度来描述电路网络。

目前天线、手机等产品通常依靠商业仿真软件(CST、HFS等)进行仿真,得到S参数等结果。当前商业软件仿真多通过数值算法(FDTD等)计算S参数,仿真流程主要包括半自动/自动的网格剖分和数值求解麦克斯韦方程这两个步骤,耗时较长,同时算力消耗十分庞大。

MindSpore Elec通过AI方法跳过传统数值方法的迭代计算直接得到待仿真目标的S参数,极大节省仿真时长。MindSpore Elec提供两种数据驱动的电磁仿真方案:参数化方案和点云方案,这两种方案有以下特点:

参数化方案实现的是参数到仿真结果的直接映射,例如天线的宽度、角度作为网络输入,网络输出为S参数。参数化方案的优点是直接映射且网络简单。

点云方案实现的是从天线/手机的采样点云到仿真结果的映射,该方案先将手机结构文件转化为点云张量数据,(压缩后)使用卷积神经网络提取结构特征,再通过数层全连接层映射到最终的仿真结果(S参数),该方案的优点是适用于结构参数数量或种类可能发生变化的复杂工况。

学科领域

电磁学

贡献方

华为Model Arts

方法

AI/ML

问题类型

预测问题

在线资源

Notebook 运行源代码仓库技术文档

相关论文

  • Time domain modeling of constant power loads for electromagnetic transient simulations
  • The role of different electromagnetic fields in magnesium alloys direct-chill casting: Numerical simulation and experimental investigation

共性算子依赖

高阶微分操作

逐元素加法逐元素减法

类似科学任务

点源时域麦克斯韦方程AI求解

基于深度学习的时域有限差分(FDTD)方法,利用神经网络求解点源激励下麦克斯韦方程组的电磁场分布,实现高速高精度电磁仿真。

基于可微分FDTD的贴片天线S参数仿真

利用可微分FDTD方法进行贴片天线S参数仿真,提升电磁仿真的精度和速度。

BFNO求解泊松方程

Born 傅里叶神经算子(B-FNO)通过结合 Born 近似方法和傅里叶神经算子,实现了广义泊松方程的高效精确求解,特别适用于复杂电磁系统的建模。