CN111339695B - 用于电磁场仿真的装置和方法 - Google Patents

用于电磁场仿真的装置和方法 Download PDF

Info

Publication number
CN111339695B
CN111339695B CN201811553495.5A CN201811553495A CN111339695B CN 111339695 B CN111339695 B CN 111339695B CN 201811553495 A CN201811553495 A CN 201811553495A CN 111339695 B CN111339695 B CN 111339695B
Authority
CN
China
Prior art keywords
electromagnetic field
resolution
field simulation
simulation result
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811553495.5A
Other languages
English (en)
Other versions
CN111339695A (zh
Inventor
周嵘
汪留安
孙俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201811553495.5A priority Critical patent/CN111339695B/zh
Priority to EP19211347.0A priority patent/EP3671524A1/en
Priority to JP2019223107A priority patent/JP7367504B2/ja
Priority to US16/718,720 priority patent/US11210561B2/en
Publication of CN111339695A publication Critical patent/CN111339695A/zh
Application granted granted Critical
Publication of CN111339695B publication Critical patent/CN111339695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4046—Scaling the whole image or part thereof using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本公开涉及用于电磁场仿真的装置和方法。根据一个实施例的图像处理装置包括电磁场仿真部分和分辨率提升部。电磁场仿真部分被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。分辨率提升部分被配置为利用基于深度学习方法训练的模型，根据第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果。第二分辨率高于第一分辨率。

Description

用于电磁场仿真的装置和方法
技术领域
本公开一般涉及信息处理，更具体地，涉及用于电磁场仿真的装置和方法。
背景技术
电磁场仿真用于定量描述传播通过对象和环境的电磁波，其通常用于帮助对材料进行分析以用于对例如天线、雷达、电路等进行设计。
发明内容
在下文中给出了关于本发明实施例的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，以下概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
根据一个实施例，提供一种用于电磁场仿真的装置，其包括电磁场仿真部分和分辨率提升部分。电磁场仿真部分被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。分辨率提升部分被配置为利用基于深度学习方法训练的模型，根据第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
根据另一个实施例，提供一种用于电磁场仿真的方法，其包括以第一分辨率获得仿真区域的第一电磁场仿真结果的步骤。该方法还包括利用基于深度学习方法训练的模型根据第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果的步骤，其中第二分辨率高于第一分辨率。
根据又一个实施例，提供一种训练用于电磁场仿真的模型的装置，其包括第一仿真部分、第二仿真部分和模型得出部分。第一仿真部分被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。第二仿真部分被配置为以第二分辨率获得仿真区域的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。模型得出部分被配置为以第一电磁场仿真结果和第二电磁场仿真结果作为训练数据，利用深度学习方法得出模型。
根据再一个实施例，提供一种训练用于电磁场仿真的模型的方法，其包括以第一分辨率获得仿真区域的第一电磁场仿真结果。该方法还包括以第二分辨率获得仿真区域的第二电磁场仿真结果的步骤，其中第二分辨率高于第一分辨率。该方法还包括以第一电磁场仿真结果和第二电磁场仿真结果作为训练数据利用深度学习方法得出模型的步骤。
本发明实施例能够以较小的计算量提供高分辨率的电磁场仿真。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中：
图1是示出根据本发明一个实施例的用于电磁场仿真的装置的配置示例的框图；
图2是示出根据另一个实施例的用于电磁场仿真的装置的配置示例的框图；
图3是示出根据本发明一个实施例的用于电磁场仿真的方法的过程示例的流程图；
图4是示出根据本发明一个实施例的训练用于电磁场仿真的模型的装置的配置示例的框图；
图5是示出根据本发明一个实施例的训练用于电磁场仿真的模型的方法的过程示例的流程图；
图6是示出根据本发明一个实施例的用于电磁场仿真的装置的配置示例的框图；
图7是示出根据本发明一个实施例的训练用于电磁场仿真的模型的装置的配置示例的框图；
图8是示出实现本公开的方法和设备的计算机的示例性结构的框图；
图9是用于说明一维电磁场仿真环境的示意图；
图10示出了一维电磁场仿真某时刻的电场磁场空间分布；
图11是用于说明电磁仿真映射的示意图；
图12是示出一个示例实施方式中采用的超分辨率生成对抗网络(SRGAN)的结构的示意图；
图13是用于说明一个示例实施例的框架的示意图；
图14是用于说明根据一个示例实施例的模型训练过程的流程图；
图15是用于说明根据一个示例实施例的模型测试过程的流程图；以及
图16是用于说明一个示例实施例的分辨率提升处理的示意图。
具体实施方式
下面将参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
图1示出了根据本发明一个实施例的用于电磁场仿真的装置100的配置示例。图像处理装置例如可以被实现为个人计算机(例如桌上型计算机、膝上型计算机等)、工作站、移动终端(诸如智能电话、平板计算机、便携式游戏终端等)、游戏机、电视机、或者摄像装置(例如摄像机、监视器)等。然而，本发明实施例的应用范围不限于以上列举的方面，而是可以用于任何能够进行信息处理的装置。
如图1所示，用于电磁场仿真的装置100包括电磁场仿真部分110和分辨率提升部分130。
电磁场仿真部分110被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。
根据一个实施例，电磁场仿真部分110被配置为利用时域有限差分(FDTD)方法获得第一电磁场仿真结果。
更具体地，电磁场仿真部分110可以被配置为至少基于仿真区域中的电磁波传播频率范围、仿真区域的几何参数和材料参数、以及网格大小，计算出第一电磁场仿真结果。
这里，对FDTD方法进行简要说明。FDTD是一种电磁场仿真方法，其主要贡献在于对麦克斯韦方程组的离散化方法。该方法使电场和磁场在空间和时间上都均匀交错分布，用差分来代替微分，从而推导出了数值计算的递推公式。在空间上，用周围网格位置的电场来计算当前网格位置的磁场，用周围网格位置的磁场来计算当前网格位置的电场；在时间上，用当前时刻的场强来递推下一时刻的场强。
电磁场仿真结果的意义不仅在于获得某一个时刻的电磁场分布，还在于整个仿真时间段内每个空间网格上的电磁场变化情况，因此其可以包括四维信息(三维空间+一维时间)。根据这个时域仿真结果，例如可以通过傅里叶变换计算出每个空间点处的电磁场的频率成分。
在一般情况下，可以进行三维空间中的FDTD仿真。在一些特定的较简单的材料分布下，可以简化成二维空间FDTD，甚至一维空间FDTD。在本公开示例实施例中以一维空间电磁场仿真环境为例进行说明，可以通过对低维结果进行组合而得到高维结果。
图9示出了一维空间电磁场仿真的示例环境，其中包括不同材料，每一段的材料是随机生成的。中央位置有一个随时间变化的电场作为信号源(例如高斯信号)。
一维空间的FDTD仿真递推公式是:
其中Hx代表磁场，Ey代表电场，Δt代表时间步长，Δz代表空间步长，也就是网格大小。可以想象一个空间直角坐标系：电磁波沿着z轴正方向传播；z轴上每一点处的磁场方向与x轴平行指向x轴正向，大小为Hx；z轴上每一点处的电场方向与y轴平行指向y轴正向，大小为Ey。t代表时间轴上的坐标；k代表空间网格坐标(也就是z轴上的坐标)；c0代表真空中的光速。与/>与材料有关，分别代表材料的导磁系数和介电常数，因为不同空间位置放置着不同的物理材料，所以/>与/>也都与空间位置k有关。
由上面两式可见，电场和磁场在时间上是交错分布的，电场存在于Δt的整数倍时刻，磁场存在于Δt的整数倍再加半个Δt的时刻。事实上，电场与磁场在空间上也是交错分布的，相差半个网格的距离，也就是半个Δz的距离。请注意，这只是用于仿真计算的离散化方法，在真实的物理世界中，电场与磁场可以认为是连续分布的。
一维电磁场FDTD仿真结果是随时间而变化的电场和磁场波形，其中某个时刻的波形示例如图10所示，其中竖线表示不同材料的之间的边缘。
需要指出，本发明实施例不仅适用于FDTD，还适用于其它数值方法近似计算电磁场的方法，例如有限元法(FEM)、时域有限积分法(FITD)、矩量法(MoM)、传输线法(TLM)、线方法(ML)等。
在例如FDTD的电磁场仿真计算中，随着单元数量的增加(即，从粗网格到细网格)，计算成本显著增长。然而，要获得精确的FDTD结果需要将网格分辨率设置的足够细，这会导致较长的计算时间。
返回参照图1，分辨率提升部分130被配置为利用基于深度学习方法训练的模型，根据电磁场仿真部分110获得的第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
仍以电磁场仿真部分110采用FDTD方法为例，可以采用该算法生成深度学习所需的训练数据。本发明将超分辨的应用于FDTD仿真，每个训练样本为低精度和对应高精度的FDTD仿真结果。低精度仿真结果对应于图像超分辨中输入的低分辨率图像(LR)，高精度仿真结果对应于图像超分辨中的高分辨率图像(HR)。
根据一个实施例，深度学习方法可以包括基于卷积神经网络的方法，例如超分辨率生成对抗网络(SRGAN)。
通过神经网络实现从低精度到高精度的映射，即低精度的仿真结果经过神经网络后的预测结果(对应于图像超分辨中生成的超分辨图像，SR)与真实的高精度仿真结果足够接近。
下面仍以一维FDTD为例进行说明。通过采用FDTD生成的时域数据进行仿真，一维FDTD的时域数据构成一个二维数组，如图11所示，其中横轴为空间z，纵轴为时间t。基于电磁场的物理性质，电场和磁场在空间中连续分布，随时间变化的电场产生磁场，而随时间变化的磁场又产生电场。FDTD算法采用差分近似离散地计算空间和时间上的电场和磁场分布。根据Yee网格的思想，FDTD计算得到空间和时间上交替分布位置处的电场和磁场。空间格点和时间格点越细，FDTD算法得到的结果越精确。
由于电场和磁场二者在时空上相互作用，不可分离，所以把电场和磁场放到一起而不是分割开来进行学习更合理。此外，位于时空上某点处的电场或磁场分量的值与其相邻时空内的电场和磁场有关。如果低精度和高精度对应时空位置的局部存在映射关系(如图11的方框包含的局部区域所示)，希望通过神经网络学习到这种映射。
如前所述，电磁场仿真结果可以包括四维信息，并且可以将其分解为较低维的数据进行处理，以降低计算成本。
根据一个实施例，第一电磁场仿真结果和第二电磁场仿真结果可以包括四维数据集，并且分辨率提升部分130可以被配置为通过以下方式将第一电磁场仿真结果转换为第二电磁场仿真结果：将四维数据集分解为多个二维数据集；针对多个二维数据集中的每个二维数据集，利用模型提高该二维数据集的分辨率；以及将分辨率经过提高的多个二维数据集组合成四维数据集，以作为第二电磁场仿真结果。
如前所述，本公开实施例中采用的深度学习方法可以包括SRGAN方法。
参照图12说明应用于图像超分辨的SRGAN网络结构如。该网络中的生成器(Generator)将输入图像的分辨率在长和宽两个维度均提高两倍。鉴别器(Discriminator)用于判断生成器(Generator)生成的超分辨率图像是否和真实的高分辨率图像足够接近。SRGAN网络的原始损失函数(Loss function)由三部分构成：
其中为SR和对应HR的均方差，/>为预训练好的VGG19网络提取的SR和HR对应特征的均方差，/>为对抗损失(adversarial loss)，即鉴别器的损失，表示SR为HR的概率。
对于电磁仿真，由于电磁仿真的数据和光学图像数据具有不同的数据分布，没有共享的特征。此外，电磁仿真数据需要基于数据一一对应的相似度，而非图像中基于视觉效果的相似度。因此，对于电磁场仿真，可以不应用预训练的VGG19提取的高阶视觉特征，相应地，可以去除即，可以采用损失函数/>用于电磁场仿真结果的超分辨率。
在上述实施例中，基于深度学习方法训练的模型可以是从其他装置获取的。此外，根据一个实施例的用于电磁场仿真的装置可以用于获取该模型。
如图2所示，根据一个实施例的用于电磁场仿真的装置200包括电磁场仿真部分210、分辨率提升部分230和模型获得部分250。电磁场仿真部分210和分辨率提升部分230的功能配置与前面参照图1说明的电磁场仿真部分110和分辨率提升部分130类似。
模型获得部分250被配置为通过以下方式获得要由分辨率提升部分230使用的模型：分别将第一分辨率和第二分辨率的电磁场仿真结果作为训练数据；以及利用深度学习方法基于训练数据得出模型。
更具体地，模型获得部分250可以被配置为：分别基于与第一分辨率对应的第一网格大小以及与第二分辨率对应的第二网格大小，利用FDTD方法获得仿真区域的电磁场仿真结果，以作为训练数据。
此外，在深度学习方法包括SRGAN方法的情况下，模型获得部分250可以被配置为利用训练数据获得SRGAN的生成器网络和鉴别器网络，并且将生成器网络作为模型。
深度学习模型可能需要较大的计算成本，然而模型的学习过程可以离线(off-line)进行(例如图14所示的过程示例)。在已获得了模型的情况下，在线(on-line)对新实例进行的测试过程(例如图15所示的过程示例)会是较迅速的。
在图14所示的训练过程中，首先对仿真参数进行初始化，参数例如包括频率范围、设备参数和网格参数。设备参数可以包括几何参数和材料参数(例如不同空间位置处的电导率和介电常数)。网格参数可以包括粗分辨率和细分辨率下的网格分辨率和时间分辨率。
接下来，生成FDTD数据库，即，使用粗分辨率和细分辨率进行FDTD仿真。
然后，以粗网格仿真结果和细网格仿真结果作为训练数据训练SRGAN模型。
具体地，如图16所示，SRGAN框架中包含的数据包括：低分辨率仿真结果(LR)，通过执行生成器GAN而获得的超分辨率仿真结果(SR)以及通过执行细网格FDTD而获得的作为基准(groundtruth)的高分辨率仿真结果(HR)。
在图15所示的测试过程中，首先对仿真参数进行初始化，其与前述初始化过程类似。
接下来，生成粗网格分辨率的FDTD数据。
然后，利用SRGAN模型生成具有超分辨率即细网格分辨率的FDTD结果。
在上述实施例中描述了将第一分辨率的电磁场仿真结果提升至第二分辨率，然而本发明的实施例也可以灵活地实现多中分辨率提升。也就是说，可以根据需要将不同水平的低分辨率仿真结果提升至不同水平的高分辨率仿真结果。
相应地，根据一个实施例，用于分辨率提升的模型可以包括多个模型，该多个模型分别用于多个第一分辨率和多个第二分辨率之间的映射。这些模型可以基于相应的不同分辨率的训练图像获得。
在上述实施例中，通过以低分辨率进行电磁场仿真(第一电磁场仿真结果)，并利用学习出的模型来提升电磁场仿真结果的分辨率，能够以较低的计算成本获得高精度的电磁场仿真结果。
如图13所示，与细网格的FDTD相比，通过进行粗网格的FDTD并通过SRGAN进行分辨率提升，能够以较小的计算量获得类似的电磁场仿真精度。
本发明实施例还包括用于电磁场仿真的方法。
如图3所示，根据一个实施例的用于电磁场仿真的方法包括步骤S310和S320。
在S310，以第一分辨率获得仿真区域的第一电磁场仿真结果。
可以利用时域有限差分FDTD方法获得第一电磁场仿真结果。
可以至少基于仿真区域中的电磁波传播频率范围、仿真区域的几何参数和材料参数、以及网格大小，计算出第一电磁场仿真结果。
在S320，利用基于深度学习方法训练的模型，根据第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
深度学习方法可以包括基于卷积神经网络的方法，例如SRGAN。
模型可以是通过以下方式获得的：分别将第一分辨率和第二分辨率的电磁场仿真结果作为训练数据；以及利用深度学习方法基于训练数据得出模型。
更具体地，可以分别基于与第一分辨率对应的第一网格大小以及与第二分辨率对应的第二网格大小，利用FDTD方法获得仿真区域的电磁场仿真结果以作为训练数据。
可以利用训练数据获得SRGAN的生成器网络和鉴别器网络，并且将生成器网络作为模型。
第一电磁场仿真结果和第二电磁场仿真结果可以包括四维数据集，并且可以通过以下过程将第一电磁场仿真结果转换为第二电磁场仿真结果：将四维数据集分解为多个二维数据集；针对多个二维数据集中的每个二维数据集，利用模型提高该二维数据集的分辨率；以及将分辨率经过提高的多个二维数据集组合成四维数据集，以作为第二电磁场仿真结果。
此外，模型可以包括多个模型，分别用于多个第一分辨率和/或多个第二分辨率之间的映射。
本发明实施例还包括训练用于电磁场仿真的模型的装置和方法。
如图4所示，训练用于电磁场仿真的模型的装置400包括第一仿真部分410、第二仿真部分430和模型得出部分450。
第一仿真部分410被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。
第二仿真部分430被配置为以第二分辨率获得仿真区域的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
模型得出部分450被配置为以第一电磁场仿真结果和第二电磁场仿真结果作为训练数据，利用深度学习方法得出模型。
如图5所示，训练用于电磁场仿真的模型的方法包括步骤S510、S520和S530。
在S510，以第一分辨率获得仿真区域的第一电磁场仿真结果。
在S520，以第二分辨率获得仿真区域的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
在S530，以第一电磁场仿真结果和第二电磁场仿真结果作为训练数据，利用深度学习方法得出模型。
图6示出了根据一个实施例的用于电磁场仿真的装置的配置实例。如图6所示，根据本实施例的用于电磁场仿真的装置600包括处理电路610。处理电路610例如可以实现为特定芯片、芯片组或者中央处理单元(CPU)等。处理电路610包括电磁场仿真单元611和分辨率提升单元613。
电磁场仿真单元611被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。
分辨率提升单元613被配置为利用基于深度学习方法训练的模型，根据电磁场仿真单元611获得的第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
图7示出了根据一个实施例的训练用于电磁场仿真的模型的装置的配置实例。如图7所示，根据本实施例的训练用于电磁场仿真的模型的装置700包括处理电路710。处理电路710例如可以实现为特定芯片、芯片组或者CPU等。处理电路710包括第一仿真单元711、第二仿真单元713和模型得出单元715。
第一仿真单元711被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果。
第二仿真单元713被配置为以第二分辨率获得仿真区域的第二电磁场仿真结果，其中第二分辨率高于第一分辨率。
模型得出单元715被配置为以第一电磁场仿真结果和第二电磁场仿真结果作为训练数据，利用深度学习方法得出模型。
作为示例，上述方法的各个步骤以及上述装置的各个组成模块和/或单元可以实施为软件、固件、硬件或其组合。在通过软件或固件实现的情况下，可以从存储介质或网络向具有专用硬件结构的计算机(例如图8所示的通用计算机800)安装构成用于实施上述方法的软件的程序，该计算机在安装有各种程序时，能够执行各种功能等。
在图8中，运算处理单元(即CPU)801根据只读存储器(ROM)802中存储的程序或从存储部分808加载到随机存取存储器(RAM)803的程序执行各种处理。在RAM 803中，也根据需要存储当CPU 801执行各种处理等等时所需的数据。CPU 801、ROM 802和RAM 803经由总线804彼此链路。输入/输出接口805也链路到总线804。
下述部件链路到输入/输出接口805：输入部分806(包括键盘、鼠标等等)、输出部分807(包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等)、存储部分808(包括硬盘等)、通信部分809(包括网络接口卡比如LAN卡、调制解调器等)。通信部分809经由网络比如因特网执行通信处理。根据需要，驱动器810也可链路到输入/输出接口805。可拆卸介质811比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器810上，使得从中读出的计算机程序根据需要被安装到存储部分808中。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质811安装构成软件的程序。
本领域的技术人员应当理解，这种存储介质不局限于图8所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质811。可拆卸介质811的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 802、存储部分808中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
本发明的实施例还涉及一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时，可执行上述根据本发明实施例的方法。
相应地，用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
在上面对本发明具体实施例的描述中，针对一种实施方式描述和/或示出的特征可以用相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在上述实施例和示例中，采用了数字组成的附图标记来表示各个步骤和/或单元。本领域的普通技术人员应理解，这些附图标记只是为了便于叙述和绘图，而并非表示其顺序或任何其他限定。
此外，本发明的方法不限于按照说明书中描述的时间顺序来执行，也可以按照其他的时间顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露，但是，应该理解，上述的所有实施例和示例均是示例性的，而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。
(附记1)一种用于电磁场仿真的装置，包括：
电磁场仿真部分，被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果；以及
分辨率提升部分，被配置为利用基于深度学习方法训练的模型，根据所述第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率。(1)
(附记2)根据附记1所述的装置，其中，所述电磁场仿真部分被配置为利用时域有限差分FDTD方法获得所述第一电磁场仿真结果。(2)
(附记3)根据附记2所述的装置，其中，所述电磁场仿真部分被配置为至少基于所述仿真区域中的电磁波传播频率范围、所述仿真区域的几何参数和材料参数、以及网格大小，计算出所述第一电磁场仿真结果。(3)
(附记4)根据附记1所述的装置，其中，所述深度学习方法包括基于卷积神经网络的方法。
(附记5)根据附记1所述的装置，其中，所述深度学习方法包括超分辨率生成对抗网络SRGAN。(4)
(附记6)根据附记1所述的装置，其中，所述第一电磁场仿真结果和所述第二电磁场仿真结果包括四维数据集，并且
所述分辨率提升部分被配置为通过以下方式将所述第一电磁场仿真结果转换为所述第二电磁场仿真结果：
将所述四维数据集分解为多个二维数据集；
针对所述多个二维数据集中的每个二维数据集，利用所述模型提高该二维数据集的分辨率；以及
将分辨率经过提高的所述多个二维数据集组合成四维数据集，以作为所述第二电磁场仿真结果。(5)
(附记7)根据附记1所述的装置，还包括模型获得部分，所述模型获得部分被配置为通过以下方式获得所述模型：
分别将所述第一分辨率和所述第二分辨率的电磁场仿真结果作为训练数据；以及
利用所述深度学习方法基于所述训练数据得出所述模型。(6)
(附记8)根据附记7所述的装置，其中，所述模型获得部分被配置为：分别基于与所述第一分辨率对应的第一网格大小以及与所述第二分辨率对应的第二网格大小，利用时域有限差分FDTD方法获得仿真区域的电磁场仿真结果，以作为所述训练数据。
(附记9)根据附记7所述的装置，其中，所述深度学习方法包括超分辨率生成对抗网络SRGAN，并且所述模型获得部分被配置为：利用所述训练数据获得所述SRGAN的生成器网络和鉴别器网络，并且将所述生成器网络作为所述模型。(7)
(附记10)根据附记1所述的装置，其中，所述模型包括多个模型，所述多个模型分别用于多个所述第一分辨率和/或多个所述第二分辨率之间的映射。(8)
(附记11)一种用于电磁场仿真的方法，包括：
以第一分辨率获得仿真区域的第一电磁场仿真结果；以及
利用基于深度学习方法训练的模型，根据所述第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率。(9)
(附记12)根据附记11所述的方法，其中，利用时域有限差分FDTD方法获得所述第一电磁场仿真结果。
(附记13)根据附记12所述的方法，其中，至少基于所述仿真区域中的电磁波传播频率范围、所述仿真区域的几何参数和材料参数、以及网格大小，计算出所述第一电磁场仿真结果。
(附记14)根据附记11所述的方法，其中，所述深度学习方法包括超分辨率生成对抗网络SRGAN。
(附记15)根据附记11所述的方法，其中，所述第一电磁场仿真结果和所述第二电磁场仿真结果包括四维数据集，并且
通过以下过程将所述第一电磁场仿真结果转换为所述第二电磁场仿真结果：
将所述四维数据集分解为多个二维数据集；
针对所述多个二维数据集中的每个二维数据集，利用所述模型提高该二维数据集的分辨率；以及
将分辨率经过提高的所述多个二维数据集组合成四维数据集，以作为所述第二电磁场仿真结果。
(附记16)根据附记11所述的方法，其中，所述模型是通过以下方式获得的：
分别将所述第一分辨率和所述第二分辨率的电磁场仿真结果作为训练数据；以及
利用所述深度学习方法基于所述训练数据得出所述模型。
(附记17)根据附记16所述的方法，其中，分别基于与所述第一分辨率对应的第一网格大小以及与所述第二分辨率对应的第二网格大小，利用时域有限差分FDTD方法获得仿真区域的电磁场仿真结果，以作为所述训练数据。
(附记18)根据附记16所述的方法，其中，所述深度学习方法包括超分辨率生成对抗网络SRGAN，利用所述训练数据获得所述SRGAN的生成器网络和鉴别器网络，并且将所述生成器网络作为所述模型。
(附记19)一种训练用于电磁场仿真的模型的装置，包括：
第一仿真部分，被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果；
第二仿真部分，被配置为以第二分辨率获得仿真区域的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率；以及
模型得出部分，被配置为以所述第一电磁场仿真结果和所述第二电磁场仿真结果作为训练数据，利用深度学习方法得出所述模型。(10)
(附记20)一种训练用于电磁场仿真的模型的方法，包括：
以第一分辨率获得仿真区域的第一电磁场仿真结果；
以第二分辨率获得仿真区域的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率；以及
以所述第一电磁场仿真结果和所述第二电磁场仿真结果作为训练数据，利用深度学习方法得出所述模型。

Claims (9)

1.一种用于电磁场仿真的装置，包括：
电磁场仿真部分，被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果；以及
分辨率提升部分，被配置为利用基于深度学习方法训练的模型，根据所述第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率，
其中，所述第一电磁场仿真结果和所述第二电磁场仿真结果包括四维数据集，并且
所述分辨率提升部分被配置为通过以下方式将所述第一电磁场仿真结果转换为所述第二电磁场仿真结果：
将所述第一电磁场仿真结果的四维数据集分解为多个二维数据集；
针对所述多个二维数据集中的每个二维数据集，利用所述模型提高该二维数据集的分辨率；以及
将分辨率经过提高的所述多个二维数据集组合成四维数据集，以作为所述第二电磁场仿真结果。
2.根据权利要求1所述的装置，其中，所述电磁场仿真部分被配置为利用时域有限差分FDTD方法获得所述第一电磁场仿真结果。
3.根据权利要求2所述的装置，其中，所述电磁场仿真部分被配置为至少基于所述仿真区域中的电磁波传播频率范围、所述仿真区域的几何参数和材料参数、以及网格大小，计算出所述第一电磁场仿真结果。
4.根据权利要求1所述的装置，其中，所述深度学习方法包括超分辨率生成对抗网络SRGAN。
5.根据权利要求1所述的装置，还包括模型获得部分，所述模型获得部分被配置为通过以下方式获得所述模型：
分别将所述第一分辨率和所述第二分辨率的电磁场仿真结果作为训练数据；以及
利用所述深度学习方法基于所述训练数据得出所述模型。
6.根据权利要求5所述的装置，其中，所述深度学习方法包括超分辨率生成对抗网络SRGAN，并且所述模型获得部分被配置为：利用所述训练数据获得所述SRGAN的生成器网络和鉴别器网络，并且将所述生成器网络作为所述模型。
7.根据权利要求1所述的装置，其中，所述模型包括多个模型，所述多个模型分别用于多个所述第一分辨率和/或多个所述第二分辨率之间的映射。
8.一种用于电磁场仿真的方法，包括：
以第一分辨率获得仿真区域的第一电磁场仿真结果；以及
利用基于深度学习方法训练的模型，根据所述第一电磁场仿真结果得出具有第二分辨率的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率，
其中，所述第一电磁场仿真结果和所述第二电磁场仿真结果包括四维数据集，并且
通过以下方式将所述第一电磁场仿真结果转换为所述第二电磁场仿真结果：
将所述第一电磁场仿真结果的四维数据集分解为多个二维数据集；
针对所述多个二维数据集中的每个二维数据集，利用所述模型提高该二维数据集的分辨率；以及
将分辨率经过提高的所述多个二维数据集组合成四维数据集，以作为所述第二电磁场仿真结果。
9.一种训练用于电磁场仿真的模型的装置，包括：
第一仿真部分，被配置为以第一分辨率获得仿真区域的第一电磁场仿真结果；
第二仿真部分，被配置为以第二分辨率获得仿真区域的第二电磁场仿真结果，其中所述第二分辨率高于所述第一分辨率；以及
模型得出部分，被配置为以所述第一电磁场仿真结果和所述第二电磁场仿真结果作为训练数据，利用深度学习方法得出所述模型，
其中，所述第一电磁场仿真结果和所述第二电磁场仿真结果包括四维数据集，并且
所述第二仿真部分被配置为通过以下方式将所述第一电磁场仿真结果转换为所述第二电磁场仿真结果：
将所述第一电磁场仿真结果的四维数据集分解为多个二维数据集；
针对所述多个二维数据集中的每个二维数据集，利用所述模型提高该二维数据集的分辨率；以及
将分辨率经过提高的所述多个二维数据集组合成四维数据集，以作为所述第二电磁场仿真结果。
CN201811553495.5A 2018-12-18 2018-12-18 用于电磁场仿真的装置和方法 Active CN111339695B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811553495.5A CN111339695B (zh) 2018-12-18 2018-12-18 用于电磁场仿真的装置和方法
EP19211347.0A EP3671524A1 (en) 2018-12-18 2019-11-25 Device and method for electromagnetic field simulation
JP2019223107A JP7367504B2 (ja) 2018-12-18 2019-12-10 電磁界のシミュレーション装置及び方法
US16/718,720 US11210561B2 (en) 2018-12-18 2019-12-18 Device and method for electromagnetic field simulation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811553495.5A CN111339695B (zh) 2018-12-18 2018-12-18 用于电磁场仿真的装置和方法

Publications (2)

Publication Number Publication Date
CN111339695A CN111339695A (zh) 2020-06-26
CN111339695B true CN111339695B (zh) 2023-07-25

Family

ID=68655457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811553495.5A Active CN111339695B (zh) 2018-12-18 2018-12-18 用于电磁场仿真的装置和方法

Country Status (4)

Country Link
US (1) US11210561B2 (zh)
EP (1) EP3671524A1 (zh)
JP (1) JP7367504B2 (zh)
CN (1) CN111339695B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11227090B2 (en) * 2017-02-15 2022-01-18 Michael Alexander Green System and method for achieving functional coverage closure for electronic system verification
CN110555811A (zh) * 2019-07-02 2019-12-10 五邑大学 一种sar图像数据增强方法、装置及存储介质
JP2022071358A (ja) * 2020-10-28 2022-05-16 富士通株式会社 機械学習プログラム，情報処理装置および機械学習方法
JP2022072113A (ja) 2020-10-29 2022-05-17 富士通株式会社 機械学習プログラム、機械学習方法および情報処理装置
CN112487724B (zh) * 2020-12-11 2022-09-23 重庆邮电大学 基于分区和改进cnn-ca模型的城市动态扩张模拟方法
CN112651209A (zh) * 2020-12-22 2021-04-13 广州广电计量检测股份有限公司 一种板级耦合分析的仿真方法和计算机终端设备
CN112784499A (zh) * 2021-03-05 2021-05-11 云南电网有限责任公司电力科学研究院 一种基于深度学习替代有限元分析的电抗器磁场仿真方法
CN113468759A (zh) * 2021-07-21 2021-10-01 安徽大学 一种电磁问题确定方法、系统及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4727159B2 (ja) 2004-03-23 2011-07-20 富士通株式会社 電磁界シミュレータ、電磁界解析装置、電磁界シミュレートプログラム、および電磁界解析プログラム
US8085406B2 (en) * 2007-08-31 2011-12-27 University Of Pittsburgh Of The Commonwealth System Of Higher Education Ultrafast microscopy of surface electromagnetic fields
WO2011059537A1 (en) 2009-11-12 2011-05-19 Exxonmobil Upstream Research Company Method and system for rapid model evaluation using multilevel surrogates
CN102207987B (zh) * 2011-05-31 2012-11-21 中国航天标准化研究所 基于OpenCL的GPU加速三维时域有限差分电磁场仿真的方法
US10803210B2 (en) * 2016-01-14 2020-10-13 Information Systems Laboratories, Inc. Real-time electromagnetic environmental simulator
CN108268687B (zh) * 2017-01-03 2021-06-08 无锡飞谱电子信息技术有限公司 一种三维电磁场参数化仿真模型的创建方法
CN108182316B (zh) * 2017-12-27 2021-12-07 杭州泛利科技有限公司 一种基于人工智能的电磁仿真方法及其电磁大脑

Also Published As

Publication number Publication date
JP7367504B2 (ja) 2023-10-24
CN111339695A (zh) 2020-06-26
US20200193227A1 (en) 2020-06-18
US11210561B2 (en) 2021-12-28
EP3671524A1 (en) 2020-06-24
JP2020098597A (ja) 2020-06-25

Similar Documents

Publication Publication Date Title
CN111339695B (zh) 用于电磁场仿真的装置和方法
Wei et al. Mesh denoising guided by patch normal co-filtering via kernel low-rank recovery
Sun et al. Compressed sensing MRI using a recursive dilated network
Xiang et al. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification
Anderes et al. Bayesian inference of CMB gravitational lensing
Tian et al. Ant colony optimization for wavelet-based image interpolation using a three-component exponential mixture model
US20220207370A1 (en) Inferring device, training device, inferring method, and training method
Bruno et al. The Planck clusters in the LOFAR sky-II. LoTSS-DR2: Recovering diffuse extended emission with LOFAR
Chang Contextual-based Hopfield neural network for medical image edge detection
Hacini et al. A bi‐directional fractional‐order derivative mask for image processing applications
Lang et al. Undersampled MRI reconstruction based on spectral graph wavelet transform
Cui et al. Edge detection algorithm optimization and simulation based on machine learning method and image depth information
JP2008152619A (ja) データ処理装置およびデータ処理プログラム
Ziegeler et al. Spatial error metrics for oceanographic model verification
Govind et al. Deep learning of crystalline defects from TEM images: a solution for the problem of ‘never enough training data’
Bai et al. Image denoising via an improved non‐local total variation model
Hu et al. Superpixel generation for synthetic aperture radar imagery using edge-dominated local clustering
CN112614170B (zh) 基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法
CN107895387A (zh) Mri图像重建方法及装置
Kim et al. Visualizing the search process of particle swarm optimization
Nguyen et al. Low power architecture exploration for standalone fall detection system based on computer vision
Kanchana et al. Texture classification using discrete shearlet transform
JP6365064B2 (ja) 母集団生成プログラム、母集団生成方法および母集団生成装置
Hussain et al. A bond percolation-based model for image segmentation
Zutty et al. Reducing bathymetric-lidar algorithm uncertainty with genetic programming and the evolutionary multi-objective algorithm design engine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant