【技术实现步骤摘要】
一种基于物理信息神经网络的模型训练方法及相关装置
[0001]本申请涉及计算机
,具体涉及一种基于物理信息神经网络的模型训练方法及相关装置。
技术介绍
[0002]电磁仿真是各类天线及天线阵列设计、优化、分析的主要技术,通过电磁仿真可以计算出所仿真天线的一些性能指标,如回波损耗、天线能量效率等,从而可以指导天线的设计或优化。
[0003]传统的电磁仿真的性能指标的计算方法可以是对天线的仿真域先进行网格划分,然后在离散的网格上求解麦克斯韦方程,计算得到全量的电磁场从而进行下一步的优化分析。统计结果表明,离散网格划分通常耗时几十分钟到几个小时不等,对于千万级左右的计算网格,控制方程的求解则需耗时4到8个小时,这种计算方法耗时过多。
[0004]目前也有通过物理信息神经网络(Physical Informed Neural Networks,PINNs)模型计算电磁仿真的性能指标的方案,但目前训练得到的PINNs模型所计算出的电磁仿真的性能指标的精度不高,不利于天线的优化。
技术实现思路
[0005]本申请提供一种基于物理信息神经网络(Physical Informed Neural Networks,PINNs)的模型训练方法,用于提升模型训练的准确度。本申请还提供了相应的装置、计算机设备、计算机可读存储介质和计算机程序产品等。
[0006]本申请第一方面提供一种基于物理信息神经网络PINNs的模型训练方法,该物理信息神经网络包括第一神经网络和偏微分方程,第一神经网络包括至少 ...
【技术保护点】
【技术特征摘要】
1.一种基于物理信息神经网络PINNs的模型训练方法,其特征在于,所述物理信息神经网络包括第一神经网络和偏微分方程,所述第一神经网络包括至少两个残差网络通道,所述方法包括:从天线的仿真域获取多个采样点数据,所述多个采样点数据包括有源区的采样点数据、无源区的采样点数据、所述仿真域的边界的数据,以及所述仿真域的初始数据,所述仿真域包括所述有源区和所述无源区;向所述第一神经网络的每个残差网络通道输入多个训练样本中每个训练样本与所述每个残差网络通道对应系数的乘积,所述每个训练样本包括一个采样点数据和所述仿真域对应的隐向量,所述每个残差网络通道对应的系数不同;通过所述第一神经网络对输入所述每个残差网络通道中的数据进行处理,以得到输出数据集,其中,所述输出数据集包括有源输出数据、无源输出数据、边界输出数据和初始输出数据;通过所述偏微分方程对所述输出数据集进行处理,以得到总损失函数,所述总损失函数与有源损失函数、无源损失函数、边界损失函数和初始损失函数有关;根据所述总损失函数更新所述第一神经网络中的参数,以得到第二神经网络;将所述第二神经网络作为所述第一神经网络,迭代执行上述训练过程,直到所述第二神经网络达到收敛条件,以得到用于所述天线的电磁仿真的目标物理信息神经网络模型。2.根据权利要求1所述的模型训练方法,其特征在于,所述有源区是所述仿真域中,以激励源对应的点源为中心,以第一长度为半径的区域,所述第一长度与连续概率密度函数中的第一参数相关,所述连续概率密度函数趋近于狄拉克函数;所述无源区是所述仿真域中除所述有源区和所述仿真域的边界之外的区域。3.根据权利要求1或2所述的模型训练方法,其特征在于,所述有源输出数据为所述多个训练样本中的一个训练样本包含所述有源区的采样点数据时所述每个残差网络通道的输出数据之和;所述无源输出数据为所述多个训练样本中的一个训练样本包含所述无源区的采样点数据时所述每个残差网络通道的输出数据之和;所述边界输出数据为所述多个训练样本中的一个训练样本包含所述仿真域的边界的数据时所述每个残差网络通道的输出数据之和;所述初始输出数据为所述多个训练样本中的一个训练样本包含所述初始数据时所述每个残差网络通道的输出数据之和。4.根据权利要求1
‑
3任一项所述的模型训练方法,其特征在于,所述每个残差网络通道包括正弦周期性激活函数;所述正弦周期性激活函数用于将所述每个残差网络通道中的数据转换为电场参数和磁场参数作为所述每个残差网络通道的输出数据。5.根据权利要求1
‑
4任一项所述的模型训练方法,其特征在于,所述每个残差网络通道对应的系数按照指数级递增。6.根据权利要求1
‑
5任一项所述的模型训练方法,其特征在于,所述通过所述偏微分方程对所述输出数据集进行处理,以得到总损失函数,包括:
每次将所述输出数据集中的一个输出数据作为所述偏微分方程的已知量,对所述偏微分方程进行运算,以得到所述一个输出数据对应的损失函数;对所述输出数据集中的每个输出数据对应的损失函数按照预设关系进行累加,以得到所述总损失函数。7.根据权利要求6所述的模型训练方法,其特征在于,所述预设关系中包括可学参数和超参数,与所述总损失函数有关的不同损失函数对应的可学参数不同,所述可学参数会随着所述第一神经网络中的参数更新而更新,所述超参数用于辅助所述可学参数加权对应的损失函数。8.根据权利要求7所述的模型训练方法,其特征在于,所述根据所述总损失函数更新所述第一神经网络中的参数时,所述方法还包括:更新所述仿真域的隐向量,以及所述预设关系中的所述可学参数。9.一种增量学习的方法,其特征在于,包括:获取来自于待优化天线的仿真域的多个采样点数据,所述多个采样点数据包括有源区的采样点数据、无源区的采样点数据、所述仿真域的边界的数据,以及所述仿真域的初始数据,所述仿真域包括所述有源区和所述无源区;向目标物理信息神经网络输入多个样本数据,其中,每个样本数据包括一个采样点数据和所述仿真域的第一隐向量,所述目标物理信息神经网络为上述权利要求1
‑
8任一项的模型训练方法得到的目标物理信息神经网络;通过所述目标物理信息神经网络得到与所述每个样本数据对...
【专利技术属性】
技术研发人员:刘红升,时北极,翁冰雅,杨康,王紫东,
申请(专利权)人:华为技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。