卷积神经网络在FDTD计算中的应用
2021-12-12陶军,刘瑜,2
陶 军,刘 瑜,2
(1.安徽大学电子信息工程学院,安徽 合肥 230601;2.计算智能与信号处理教育部重点实验室,安徽 合肥 230601)
时域有限差分法[1](Finite difference time domain method,FDTD)是电磁计算建模中广泛应用的数值方法[2]之一。对于电磁问题,FDTD被表示为离散化的麦克斯韦微分方程[3-4],逐时空步迭代,完成问题的求解。常规FDTD的计算量庞大且求解时间较长,通常可以尝试并行计算或利用图形处理器(GPU)等软硬件手段提高运算效率。当前人工智能和深度学习的发展,为电磁计算的数值建模提供了新的思路。
本文基于卷积神经网络(Convolutional neural network,CNN)的计算原理,探讨了FDTD方法与CNN结构的等价性特点。在此基础上,优化结构和超参数,构建自由空间电磁波传播的FDTD-CNN仿真模型,并将此模型应用于一维等离子体光子晶体的电磁传播模拟,评估验证了FDTD-CNN模型的泛化复用性与计算性能特点。
1 时域有限差分与卷积神经网络模型
FDTD方法将电磁波Ε、H分量在空间和时间上交替抽样,将Maxwell方程表示为时域的差分方程,迭代更新逐次推进。FDTD方法在一维情况下可表示为如下的差分格式:

从数学角度来看,卷积离散后,可写为

卷积神经网络[5-8]由一个或者多个卷积层和末端的全连接层,以及激活函数组成。输入尺寸为(N,Cin,H,W),输出尺寸为(N,Cout,Hout,Wout)的卷积层数学形式可表示为

其中,O为卷积层的输出;B为卷积层的偏置;W为卷积层的权重,即卷积核参数;I为卷积层的输入。图1直观地展示了卷积层的卷积操作:大小为m×m的卷积核在大小为n×n的输入上每次滑动一个步长(默认为1)的距离,最终可得大小为Hout×Wout的输出。……
