OpenI
/
community
Not watched
1
0
Fork 0
Code
Releases 0 Wiki Activity
Issues 0 Pull Requests 0 Datasets Model Cloudbrain
You can not select more than 25 topics Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
588 Commits
1 Branch
333 MB
94 Download
 
 
 
 
 
 
Branch: master
Branches Tags
${ item.name }
Create branch ${ searchTerm }
from 'master'
${ noResults }
community/sigs/mindelec
ZhihaoLi b360436de6 MindElec SIG Group 2 years ago
..
README.md MindElec SIG Group 2 years ago
README_en.md MindElec SIG Group 2 years ago

README.md

SIG简介

电磁场看不见、摸不着，却在日常生活中无处不在。电磁场的产生主要源于自然和人工两类。自然产生的电磁场有地磁场、太阳光以及一切物体热辐射产生的电磁波等等。自然电磁场催生并推动了人类的文明：由于太阳光的存在，人类可以在温度适宜的地球居住，可以通过植物的光合作用获取充足的食物；利用地磁场人类可以进行导航，进而迎来了大航海和全球化时代。随着科技的发展，人类已经不满足于自然产生的电磁场，开始主动向环境中发射电磁场，并充分挖掘电磁场的应用潜力。如通信领域中利用无线电波收听广播、利用高频微波进行手机通话等；又如地质勘探中利用电磁波的回波探明煤炭存储等。

电磁场的应用不胜枚举，为了能够更好的利用电磁场，人们通过实验、理论以及计算等手段研究电磁场的机理。实验方面，1820年奥斯特在一次讲座上偶然发现通电的导线让小磁针发生偏转，从而发现了电能生磁的现象。1831年，法拉第在实验中发现变化的磁场可以产生电场，即磁也能够生电。麦克斯韦总结前人的工作，提出了位移电流假说（变化的电场能够产生磁场），完善了电生磁的理论。最终，麦克斯韦将电磁场理论用给简洁、对称和完美的数学形式表示出来，即麦克斯韦方程组。随着计算机技术的发展，人们采用数值计算的方式去求解麦克斯韦方程组,模拟电磁场在空间中的分布。这样即可以节省实验的成本，也可以通过仿真设计出更加符合需求的电子设备。传统的电磁计算方法包括精确的全波方法和高频近似方法。全波方法如时域有限差分（Finite-Difference Time-Domain method，FDTD），有限元（Finite-Element-Method，FEM）、矩量法（Method of MoMents，MoM）等；高频近似方法如几何光学法（Geometrical Optics，GO）、物理光学法(physical optics，PO)等。

数值计算较好地辅助了电子产品的设计，但传统的数值方法仍存在许多缺陷，如需要进行复杂的网格剖分、迭代计算，计算过程复杂、计算周期长。神经网络具有万能逼近和高效推理能力，这使得神经网络在求解微分方程时具有潜在的优势。为此，昇思MindSpore Elec AI 专项兴趣小组（简称：智能电磁AI SIG）正式成立，并面向开源社区招募志同道合的伙伴。

MindSpore Elec AI SIG的使命

围绕实际生产中的各类电磁应用场景，在昇思MindSpore框架下探索和研究基于AI的电磁正问题以及反问题。例如开发高效精确的AI电磁模型，构建高效的MindSpore Elec基础工具包，提升电子产品的设计效率等。

MindSpore Elec 代码仓

  1. Mindspore Elec 代码仓
  2. Mindspore Elec SIG 工作目录

SIG小组重点工作方向

MindSpore Elec基础工具包构建

基于MindSpore构建MindSpore Elec基础工具包。基础工具包内置有数据构建及转换、仿真计算以及结果可视化等。

  1. 数据构建及转换：支持CSG （Constructive Solid Geometry，CSG） 模式的几何构建，以及cst和stp数据（CST等商业软件支持的数据格式）的高效张量转换。

  2. 仿真计算：
    a) AI电磁基础模型库：提供物理和数据驱动的AI电磁模型，物理驱动无需额外的标签数据，只需方程和初边界条件即可；数据驱动是指训练需使用仿真或实验等产生的数据。
    b) 优化策略：数据压缩可以有效地减少神经网络的存储和计算量；多尺度滤波、动态自适应加权可以提升模型的精度，克服点源奇异性等问题；小样本学习主要是为了减少训练的数据量，节省训练的成本。

  3. 结果可视化：仿真的结果如S参数或电磁场等可保存在CSV、VTK文件中。MindInsight可以显示训练过程中的损失函数变化，并以图片的形式在网页上展示结果；Paraview是第三方开源软件，具有动态展示切片、翻转等高级功能。

AI电磁仿真模型和方法构建

  1. 端到端可微的传统电磁仿真方法研究：基于MindSpore构筑传统的电磁仿真方法如FDTD/有限元/矩量法等，形成端到端可微的AI融合方法。这样可以利用MindSpore加速传统的数值方法，生成模型训练的数据，也可以基于自动微分机制，实现数据同化、电磁反演等应用。

  2. AI电磁仿真融合算法研究: 物理驱动（如PINNs方法）和数据驱动的AI方法，以及物理和数据融合的算法创新等。

AI电磁仿真模型应用

  1. 正问题：基站天线、雷达天线、射频电路与系统等电磁仿真。

  2. 反问题：电磁超材料设计、雷达勘探、电磁成像等。

MindSpore Elec AI SIG工作计划

  1. 前期：以成员学术交流活动为主，每月组织线上交流活动，围绕AI电磁中涉及的问题，介绍研究工作进展，讨论研究工作中的难点。

  2. 后期：通过合作开发等模式，在国内高校及企业间开展电磁AI问题的合作研究。

MindSpore Elec AI SIG构成

领衔成员：

  • 陆卫兵 东南大学科研院 院长/教授
  • 杨武 东南大学信息科学与工程学院 副研究员
  • 俞文明 东南大学信息科学与工程学院 教授
  • 徐勇 江苏浩云连德信息技术有限公司 高级工程师
  • 李家奇 东南大学物理学院 副教授

小组成员：

  • 成员：苑玉杰 华为昇思MindSpore布道师

  • 成员：Kyang 华为昇思MindSpore高级工程师

  • 成员：刘彻 东南大学信息科学与工程学院 博士后

  • 成员：鲍江涵 东南大学信息科学与工程学院 博士

  • 成员：翁瑞 东南大学信息科学与工程学院 博士生

  • 成员：Adrian Lee 华为昇思MindSpore高级工程师

  • 成员：Lulu Zhang 华为昇思MindSpore高级工程师

  • 成员：秦洁 东南大学信息科学与工程学院 硕士生

  • 成员：张哲 东南大学信息科学与工程学院 硕士生

  • 成员：孙丁一 东南大学信息科学与工程学院 硕士生

Delete task

Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.

cancel
confirm

社区治理架构的内容详见governance.md，该提案处于初稿阶段，后期可能会在 技术指导委员会（TSC）的许可下进行刷新。除此之外，社区还提供了特别兴趣小组（SIG） 和工作组（Working Group）的资料介绍。

Markdown Python Jupyter Notebook Text Diff other