EM2.0 带你手把手走完HFSS模型的ML辅助优化设计！
EM2.0 带你手把手走完HFSS模型的ML辅助优化设计！
温馨提示：
本文最后更新于2023年08月18日，已超过523天没有更新，若内容或图片失效，请留言反馈。
版权属于：
Garen YANG
作品采用：
《
署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)
》许可协议授权
ML在电磁优化领域的商业化雏形.png)
 以PSO算法为例实现自动优化.png)
大佬，有源码吗，这个开源吗
很好奇博主对于AI辅助设计在电子领域的应用的看法，我目前仍然持消极态度。我仅仅只是看了一两本导论，没有实际去实现神经网络，看法可能有偏差。
目前，我对于神经网络的理解就是，一般的非深度学习的情况下，机器学习跟普通的数据拟合曲线没什么两样，深度学习的情况下，可以得到不同的高维“拟合曲线”（这里需要大量正确的训练集，还需要自行分辨出合适的高维“曲线”参数集）
而电子领域，这种专业性比较强的领域，比如天线的设计，哪里来那么多数据量样本，用以投入训练？况且，天线的设计本身涉及大量变量。
如果真要辅助设计电子器件，我认为也一定很具有局限性，只能在局部上进行小优化，节省很少的人力资源
我所谓的局限性，比如说，我刚刚想到了一个点，采用各类算法决定搜值方向，从而不断迭代优化，使得最终天线参数满足需求。这是一个显然的优化过程，在ADS里叫做goal。而在HFSS里，这种功能就叫做优化。
一般在HFSS不会去采用它，因为HFSS提供的优化算法所需的迭代次数太多， 而HFSS每次计算的耗费资源远大于ADS。
如果采用com控制HFSS，自己自设软件，自设算法，外围控制HFSS进行优化，自由度更高些，但我猜测，实际应该迭代次数任然不低。
那么，这种情况下，采用AI，采用神经网络去迭代，也就是将整个优化过程中的所有数据（输入：变量参数值-输出：S参数值）投喂给神经网络学习，那么，此时，神经网络或许可以给出某条“高维拟合曲线”，对于其余未求解的输入参量可选值，可以快速给出一个AI推测值，然后根据这样一张推测值网表，迅速代入满足目标指标的输入值，放入HFSS，重新计算一下，，也许就能快速得到结果，节省计算资源。
这种模式，就是，优化算法（搜索一百次，搜索到了就终止，没搜索到就将一百次的结果投喂给神经网络） + 神经网络（拟合出若干条高维曲线，得到满足指标的几组可选的输入参数组）
此时，神经网络就成了优化算法的神经网络，机器学习的不再是全局优化，而是基于优化算法的再优化。
但是，这种模式，具有的局限性在于，不够傻瓜，它只能成为专业人士的优化辅助工具（不过，也行吧，这样也还算有意义）
所以，博主如果看到了我的评论，希望告诉我一下，我目前对神经网络的看法，神经网络是一种高维的拟合数据的方式，这个看法是对的吗？
首先，非常感谢你的观点。前段时间一直在忙，没及时上来看看评论，今晚刚登陆上来。就这个问题，我也是初学者，只能简单谈一谈我的认识。不论是机器学习还是其他的AI算法，我觉得可以整理它目前的一个发展的路线来大概观察其在一些专业领域的应用前景。我觉得是有这么几个发展的阶段：第一阶段（替代模型的引入），对比HFSS或者是CST内置的优化算法（PSO，GA或是其他）而言，机器学习的引入是对传统优化算法效率的一个提升，也可以说是您提到的优化算法的’再优化‘。也是上文中的应用思路，通过替代模型的引入，提出‘优化引擎’，来大幅度减少原有优化过程中的全波求解次数，从而提升效率。这是一种非常直接的应用思路。当然，有很多人在这方面做了很多的工作，例如这个优化引擎是否可以随着迭代和新数据的加入不断更新（Off line 和On line的训练）？优化引擎怎么样使用更少的样本来建立（一些专门针对小样本的机器学习算法的研究）？优化的目标的多少和类型（单目标，多目标，线条结果的目标，场结果的目标）？结构参数的类型（连续和离散，结构参数间的相互约束）？以上种种问题的提出可以使得相比于商业软件自带的优化程序以及传统的群智能优化算法，基于AI（或是机器学习）的框架更灵活和高效。
然后我们来谈谈第二个阶段（反演问题），电磁仿真软件可以提供给我们的是正向问题的结果（从结构到电磁特性），但是基本上不可能得出反演问题的结果，也就是说，我们无法利用电磁仿真软件来解决反演问题（从电磁特性到结构）。但是AI的特性就可以帮助我们尝试解决这一问题，这个也是他独特的优势（不过有可能成为我们电磁工程师失业的导火索（叠甲保命））。这个概念也是很多相关研究者提出的‘generator’，使得AI像一个人类工程师一样可以从需求到设计。从这个角度来看，AI的潜力是巨大的，不过目前反演类的问题也在不断的发展。
除了上述两个阶段再浅谈一下我对第三个阶段的想象。在这之前先分享一个我的经历，本站的其他文章也有介绍PyHFSS API的一些内容，里面Python和HFSS链接的一些API的函数和代码当时都是我和小伙伴们一点点改写的，更具HFSS里的源代码，将其中的一个个操作封装成为了Python的函数。去年一月份ChatGPT横空出世，我就有尝试将自己封装好的函数和HFSS的源码抛进去让他学习，而后，ChatGPT可以迅速地根据其他的源代码，完美的自主改写其他的分装函数。说实话这样的能力当时震撼了我，它使得我觉得AIGC不仅仅是一个搜索和汇总的工具，它是具有‘学习性’和’创造性‘的。同样的，当我们讲一些电磁或者电子相关的专业知识深入地融合进AI中，它也有可能展示出足够的‘学习性’和‘创造性’。在这样的前提下，或许就可以真正解放一部分的电磁工程师。
以上这些属于想到哪里，写到哪里，有些不对的望包涵。真的很开心可以和您在这里讨论这个问题，也期待和您后续多交流