首页 >> 往期培训 >>深度学习电磁材料 >> 第4届北京等贤人工智能电磁仿真设计与实战培训班第一轮通知
详细内容

第4届北京等贤人工智能电磁仿真设计与实战培训班第一轮通知

发布日期:2026年07月20日

培训简介 

当前,人工智能在电磁设计领域的应用正在推动传统依赖全波仿真、参数扫描和经验优化的设计模式向智能化、自动化和高效化方向转变。传统电磁器件计(如天线、超材料、超表面、射频器件、微波器件及光电器件等)通常需要借助有限元法(FEM)、有限差分时域法(FDTD)、CST、HFSS等仿真工具进行大量迭代优化,在面对高维参数空间、复杂结构拓扑以及多目标性能约束时,往往存在计算成本高、设计周期长等问题。近年来,深度学习、Transformer、生成式AI、物理信息神经网络(PINN)以及强化学习等人工智能方法逐渐融入电磁设计,通过学习“结构参数—电磁响应”之间的复杂映射关系,实现电磁器件的快速预测、智能优化与逆向设计。当前AI驱动的电磁设计研究重点围绕超材料与超表面设计、天线智能优化、电磁隐身、无线通信器件、光子芯片、射频系统以及新型电磁功能器件开发等方向展开,通过神经网络代理模型替代传统高成本仿真过程,并结合物理约束提升模型可靠性,实现从目标性能直接反推出最优结构参数的智能设计流程。近年来,基于深度神经网络的超表面逆向设计已能够快速生成满足特定电磁响应要求的结构,大幅缩短传统设计周期;同时,AI与物理规律融合的方法正在进一步提升复杂电磁系统设计的精度与可解释性。 此外,结合电磁数字孪生、高性能计算、自动化仿真平台以及AI智能体技术,未来电磁设计将从传统“建模—仿真—优化”的人工流程,迈向“需求输入—智能生成—自动验证—自主迭代”的新型设计范式,为6G通信、雷达探测、智能感知、先进光电器件、电磁兼容以及下一代电子信息系统的发展提供核心技术支撑。

培训目标 

课程通过实操验证AI模型与传统方法的效率对比,激发学员在电磁通信、电磁无线信号、射频技术、天线设计、雷达、量子计算和能源领域的创新思维,为电磁材料设计与仿真的智能化、工程化发展提供前沿指导。此次五天培训课程旨在通过系统化的理论讲解、40+源代码项目实操和工程案例分析,培养学员在电磁材料设计与仿真领域应用人工智能(AI)技术的综合能力,聚焦深度学习和前沿大模型在电磁材料(如超材料、电磁晶体、磁性材料)设计中的创新应用,覆盖通信、无线信号、射频、天线、雷达、量子计算、能源等领域。


课程基于PyTorch、TensorFlow、仿真等工具,通过前沿文献,系统教授:

1786691436607415.png

培训授课讲师

毕业于国内顶尖985高校,拥有两年海外研究经历,专注于人工智能(AI)与电磁材料设计的深度融合,研究领域横跨机器学习、电磁场预测、多尺度建模和智能优化。老师学术成果卓著,长期致力于AI在超材料光谱预测、物理信息神经网络电磁仿真、生成对抗网络逆向设计和大模型应用中的创新。作为核心研究者,老师参与多项国家重点科研项目,研究影响力辐射国际学术圈,在著名平台发表多篇高水平论文,涵盖AI驱动的电磁材料优化,并在国际学术会议上频频受邀作报告,分享大模型与多尺度设计的洞见。在教学方面,老师以"理论扎实、实践导向"为原则,通过40+独家源代码项目、顶级论文和预配置数据集,结合Python、PyTorch、TensorFlow、仿真软件等工具,打造沉浸式学习体验。课程紧密贴合通信、雷达、量子计算、能源等高需求行业,助力学员快速掌握AI与电磁材料设计的交叉技术,产出可直接应用于工程的成果,开启职业与研究新篇章。

培训内容大纲

第一天:深度学习基础与超材料电磁响应预测方法入门

1.1 上午:深度学习基础与核心架构

1.1.1 神经网络与深度学习基础(理论讲解+实操+代码演示)

深度学习通过多层神经网络从复杂数据中提取特征,是AI赋能电磁材料设计的核心技术。本模块系统讲解深度学习原理,为后续所有深度学习算法内容奠定基础。

基础概念讲解:

•从单层感知机到多层前馈神经网络的演进

•权重、偏置、激活函数(如ReLU、Sigmoid)的数学原理

•梯度下降数学原理与反向传播的优化过程(Adam、SGD算法)

本课程涉及的神经网络基础模型:

1786691649102937.png

神经网络架构:实操环节使用PyTorch实现简单前馈神经网络处理电磁材料几何参数,预测介电常数。

1.1.2 卷积神经网络(CNN)原理(理论讲解+实操+代码演示)

CNN是处理电磁材料几何图像和电磁场数据的核心工具,广泛应用于后续所有章节。

CNN核心组件:

•卷积核、参数共享、感受野的概念

•3×3卷积核在几何特征提取中的高效性

•最大池化与ReLU激活函数在非线性建模中的作用

•批量归一化(BatchNorm)稳定训练

ResNet残差网络(第二天、第四天引用):

•残差连接解决深层网络梯度消失问题

•SE块(Squeeze-and-Excitation)通道注意力机制增强关键特征

实战项目:超表面光谱响应预测深度学习

1、超表面光谱响应预测深度学习,内容:磁场Bz图像→磁化分布,特点:CNN逆问题求解、技术迁移到电磁领域

2、CNN手写数字识别入门,内容:图像分类基础,特点:深度学习入门、技术迁移到电磁领域

3、ResNet预训练图像分类,内容:迁移学习实验,特点:特征迁移、技术迁移到电磁领域

实操环节实现简单卷积运算,输入超材料几何图像,输出特征图,验证卷积对几何特征的提取能力。

1.1.3 循环神经网络与时序数据处理(理论讲解+实操+代码演示)

循环神经网络用于处理电磁时序信号,如瞬变电磁数据、传感器时序信号。

RNN/LSTM核心原理:

•时序数据到2D图像的变换方法(第一天、第二天引用)

•多任务学习框架(调制分类+信噪比估计)

实战项目:

1.时空多通道调制信号识别

方法:CNN+LSTM多通道

应用场景:11种调制信号分类

2.自动调制识别多模型对比基准

方法:多模型对比

应用场景:调制识别数据集

3.超轻量化调制分类网络

内容:精简CNN

应用场景:低复杂度实时识别

4.磁传感器信号分类系统

内容:LSTM+FCN

应用场景:传感器时序分类

5.瞬变电磁信号深度去噪网络

内容:信号→图像变换

应用场景:电磁信号去噪

1.1.4 注意力机制与Transformer(理论讲解+实操+代码演示)

注意力机制使神经网络能够聚焦关键特征,是现代深度学习的重要组成部分。

注意力机制类型:

•通道注意力(SE块):特征图通道加权

•空间注意力:空间位置加权

•自注意力(Self-Attention):全局依赖建模

•Transformer:多头自注意力机制

Transformer架构(第四天、第五天引用):

实操环节使用SE块实现通道注意力,增强超材料图像的关键特征提取。

1.1.5 电磁材料建模与FDTD仿真(理论讲解+实操+代码演示)

电磁仿真为AI模型提供高质量训练数据,是电磁材料设计的基础。

数值方法基础:

•麦克斯韦方程与电磁波传播规律

•边界条件(周期边界、吸收边界)设置

•一维时域有限差分法(FDTD)离散化原理

•稳定性条件与数值色散

实战项目

1.维时域有限差分电磁仿真教学包

2.深度学习增强型FDTD可视化求解器

3.MATLAB射频天线雷达分析

实操环节模拟电磁波通过单层超材料的传播,计算反射(S11)和透射(S21)系数。

1.2 下午:编码器-解码器与电磁响应预测

1.2.1 编码器-解码器架构原理(理论讲解+实操+代码演示)

编码器-解码器是U-Net和差分神经网络的核心架构。

架构设计:

•编码器路径:特征压缩,空间分辨率降低,通道数增加

•解码器路径:特征重建,空间分辨率恢复

•跳跃连接:保留空间信息,防止梯度消失

U-Net架构(第二天、第四天引用):

实战项目

1.U-Net图像修复入门

2.超表面光谱响应预测深度学习

3.可微分电磁仿真工具包

超表面光谱响应预测深度学习

实操环节使用PyTorch构建U-Net网络,输入超材料几何图像,预测电磁散射参数(S11/S21)。

1.2.2 自编码器与变分自编码器(理论讲解+实操+代码演示)

自编码器用于特征降维和潜空间参数化,是逆设计的关键技术。

潜空间优化(第四天逆设计引用):

在潜空间随机采样或插值、梯度下降优化潜变量实现目标性能、解码器生成满足约束的新设计

1.2.3 生成对抗网络(GAN)入门(理论讲解+实操+代码演示)

GAN通过对抗训练生成高质量样本,是材料设计的重要工具。

GAN核心原理(第四天详细讲解)、条件GAN(cGAN):实操环节理解GAN基本框架,为第四天实战做准备。

1.2.4 超材料光谱响应预测案例(理论讲解+实操+代码演示)

综合运用CNN和U-Net进行超材料光谱响应预测。

实战项目超表面光谱响应预测深度学习

实操环节训练深度学习模型预测超材料光谱响应,比较AI与传统FDTD仿真的效率与精度。

1.2.5 数据预处理与数据增强(理论讲解+实操+代码演示)

数据预处理是AI模型成功的关键。

预处理技术:几何图像二值化、电磁场数据归一化、PCA降维、数据增强(翻转、旋转、仿射变换)

信号转图像方法:蛇形排列(Scatter plot)、时频分析(STFT、小波变换)、复数数据处理(I/Q分离)

1.2.6 射频信号处理与自动调制分类(理论讲解+实操+代码演示)

自动调制分类(Automatic Modulation Classification, AMC)是认知无线电、频谱监测和电子对抗中的关键技术。传统方法依赖专家特征提取,而深度学习方法能够从原始信号中自动学习调制特征,实现端到端的调制识别。

实战项目:

1.时空多通道调制信号识别

CNN+LSTM多通道11种调制信号分类

2.自动调制识别多模型对比基准多模型对比

3.超轻量化调制分类网络

4.射频机器学习对抗攻防

5.射频数据训练评估框架

本模块讲解:

•IQ信号表示与时频域特征提取

•CNN在2D时频图上的特征学习

•多任务学习框架下的调制与信噪比联合估计

•模型轻量化与边缘部署策略

•射频信号对抗攻击与防御方法

实操环节基于时空多通道调制信号识别实现:

•输入:I/Q两路信号的时频表示(时序→2D图像变换)

•网络:CNN特征提取 + LSTM时序建模 + 多任务输出

•输出:调制类型分类(11种)+ 信噪比估计

•验证模型在不同信噪比条件下的分类准确率

第一天核心实操

1. 构建U-Net网络,预测超材料S11/S21系数

2. 实现CNN进行磁场图像→磁化分布的逆问题求解

3. 使用FDTD验证仿真原理,对比理论值

4. 分析时序信号→2D图像变换方法

5. 比较AI预测与FDTD仿真结果,量化计算效率提升

6. 实现时空多通道网络进行自动调制分类

第二天:神经网络编码器架构与磁性材料响应预测方法

2.1 上午:编码器-解码器与神经网络进阶

2.1.1 编码器-解码器架构深入(理论讲解+实操+代码演示)

编码器-解码器架构是差分神经网络和逆设计的核心。

进阶内容:特征金字塔(FPN)多尺度融合、U-Net++密集跳跃连接、注意力门控机制

实战项目

1.洛伦兹振子物理约束深度学习

2.磁传感器信号分类系统

2.1.2 差分神经网络(DiNN)原理(理论讲解+实操+代码演示):DiNN通过差分学习提升模型泛化性。

实战项目:洛伦兹振子物理约束深度学习

实操环节构建洛伦兹振子深度学习模型,预测超材料在不同频率下的电磁场分布。

差分神经网络独立框架(mydinn):本框架提供差分神经网络的独立实现,与洛伦兹振子版本互补。

2.1.3 SE注意力机制与ResNet融合(理论讲解+实操+代码演示)

SE-Squeeze-and-Excitation块、ResNet-SE残差连接:实战项目人工电磁材料逆设计基

2.2 下午:傅里叶神经算子与仿真加速

2.2.1 傅里叶神经算子与大地电磁正演(理论讲解+实操+代码演示)

傅里叶神经算子(FNO)学习函数空间映射,全局建模能力强。

傅里叶神经算子原理实战项目:大地电磁正演傅里叶神经算子

2.2.2 电磁仿真与三维扩散(理论讲解+实操+代码演示)

实战项目

1.三维电磁扩散高效求解器

2.有限元电磁场仿真工具

3.电磁电路联合仿真

2.2.3 磁性材料电磁响应预测(理论讲解+实操+代码演示)

实战项目

1.稀土磁性材料分类预测

2.磁性材料知识图谱数据库

3.磁体磁场响应仿真库

4.磁场神经网络预测实验

第二天核心实操项目清单:

核心实操

1. 构建洛伦兹振子深度学习模型和差分神经网络,预测超材料电磁场分布

2. 使用逆设计基准比较7种方法的性能

3. 实现电磁-电路联合仿真,设计射频线圈

4. 分析磁性材料分类效果

5. 实现SE-ResNet模型,比较其与传统CNN的精度

6. 基于傅里叶神经算子实现大地电磁快速正演

第三天:物理信息神经网络与电磁场数值计算优化方法

3.1 上午:PINN理论与电磁场建模

3.1.1 PINN核心原理(理论讲解+实操+代码演示):物理信息神经网络(PINN)将物理定律嵌入神经网络。

PINN损失函数、实战项目物理信息神经网络测试集

实操环节使用PyTorch实现PINN模型,预测电磁波在超材料中的传播。

3.1.2 电磁场数值模拟基础(理论讲解+实操+代码演示)

实战项目

1.有限元神经网络混合仿真

2.永磁电机建模仿真

3.1.3 磁振子传感器设计与PINN(理论讲解+实操+代码演示):实战项目磁体磁场响应仿真库

3.2 下午:PINN在电磁超材料设计中的应用

3.2.1 电磁形状优化与PINN(理论讲解+实操+代码演示)

实战项目:电磁形状拓扑优化工具箱

1.电磁形状拓扑优化工具

2.电磁超材料PINN设计

3.2.2 CNN加速电磁仿真(理论讲解+实操+代码演示):实战项目狭缝阵列加速深度学习

数据集:55955个TIFF图像,对比CNN、随机森林、SVM、多层感知器、KNN的效率。

3.2.3 物理约束神经网络、Maxwell方程求解与Lang-PINN(理论讲解+实操+代码演示)

•PCNN vs PINN本质区别:软约束(损失函数惩罚)、硬约束(网络结构强制满足)

•Lang-PINN:从自然语言到物理信息神经网络的多智能体框架

实战项目

1.物理约束神经网络

2.天线智能设计系统

3.Maxwell方程PINN求解器

实操环节实现物理约束神经网络:

•输入:电荷密度ρ和电流密度J的3D分布(128³)

•物理约束:构造满足∇·B = 0的矢量势A

•验证散度误差(~10⁻⁶)远小于PINN(~10⁻²)

第三天核心实操

1. 构建物理信息神经网络,预测超材料在不同入射角下的电磁响应

2. 使用有限元神经网络混合仿真

3. 训练CNN加速模型,比较与FEM的效率

4. 分析物理约束对预测精度的提升效果

5. 基于物理约束神经网络实现Maxwell方程硬约束求解

第四天:生成对抗网络与天线射频智能仿真设计优化方法

4.1 上午:GAN理论与电磁逆设计基础

4.1.1 GAN核心原理(理论讲解+实操+代码演示):GAN完整框架、条件GAN(cGAN)、PatchGAN判别器

•局部_patch_判别而非全局判别

•提升生成图像细节精度

实战项目

1.太赫兹超材料生成对抗网络

2.量子真空介电常数调控

实操环节训练GAN模型,生成满足目标电磁响应的超材料几何。

4.1.2 电磁逆设计基础(理论讲解+实操+代码演示)

逆问题定义、7种逆设计方法对比

实战项目:神经算子逆设计系统

4.1.3 天线设计的人工智能方法(理论讲解+实操+代码演示)

天线设计参数化:几何参数(长度、宽度、高度)、介质参数(介电常数、损耗角正切)、馈电参数

实战项目

1.神经网络天线设计,使用前馈神经网络,用于天线参数预测

2.介质谐振天线优化,使用机器学习方法,用于多目标Pareto优化

3.U型槽天线逆向设计,使用逆向设计方法,用于微带天线

4.2 下午:天线智能设计与波束成形

4.2.1 大型语言模型辅助天线设计(理论讲解+实操+代码演示)

实战项目:大语言模型辅助CST设计

1.大语言模型辅助天线设计

2.CST自动化仿真

4.2.2 波束成形神经网络与模型驱动设计(理论讲解+实操+代码演示)

模型驱动波束成形、波束成形神经网络

第四天核心实操

1. 构建太赫兹超材料生成对抗网络模型,生成满足目标电磁响应的超材料几何

2. 基于神经算子逆设计训练代理求解器,实现自由形式逆设计

3. 验证量子真空介电常数调控效果

4. 使用神经网络实现微带天线自动设计

5. 实现介质谐振天线机器学习优化

6. 实现大语言模型辅助天线参数优化

7. 实现波束成形神经网络的模型驱动设计

第五天:微磁学仿真加速与量子微磁体架构智能建模方法

5.1 上午:多尺度微磁性能预测

5.1.1 多尺度建模与电磁性能关联(理论讲解+实操+代码演示)

实战项目:微磁神经网络仿真

1.微磁神经网络仿真

2.静磁微磁计算框架

3.LLG方程有限元求解器

实战项目:微磁神经网络仿真核心优势

1.GPU加速微磁求解器

2.MuMax3学习指南

3.纳米纹理生成框架

5.1.2 GPU加速微磁模拟(理论讲解+实操+代码演示)

实操环节实现GPU加速微磁模拟:CUDA并行计算、通用可扩展架构、Python接口

5.1.3 量子比特微磁建模(理论讲解+实操+代码演示)

实战项目

1.量子比特微磁模拟器

2.供体量子比特架构

3.电磁引力耦合分析

实操环节模拟量子比特的电磁响应:微磁体设计优化、量子比特-微磁体耦合、退相干分析。

5.2 下午:智能电磁材料设计系统

5.2.1 AI驱动的本构模型开发(理论讲解+实操+代码演示)

实战项目

1.微磁神经网络仿真

2.洛伦兹振子物理约束深度学习

实操环节基于微磁神经网络训练:输入磁化状态、输出退磁场、验证μMAG标准问题

5.2.2 多尺度可视化与分析(理论讲解+实操+代码演示)

实战项目

1.磁化可视化工具

2.纳米纹理生成框架

5.2.3 智能设计系统构建(理论讲解+实操+代码演示)

实战项目

1.神经算子逆设计系统

2.人工电磁材料逆设计基准

端到端预测流程,从微观几何到宏观电磁性能的多任务学习。

5.2.4 大模型协助电磁材料设计(理论讲解+实操+代码演示)

实战项目:量子真空介电常数调控

1.微磁神经网络仿真

2.神经算子逆设计系统

3.洛伦兹振子物理约束深度学习

核心实操

1. 构建微磁神经网络多尺度U-Net模型,预测超材料的电磁性能

2. 基于静磁微磁计算框架和LLG方程有限元求解器实现微磁仿真

3. 使用供体量子比特架构模拟量子比特架构

4. 分析多任务学习对多种性能指标预测的提升效果

5. 验证GPU加速效果(CUDA vs CPU)

课程特色及授课方式

线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能在电磁仿真领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;

完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件;

2、课程结束可获得本次所学专题全部回放视频;

3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期)

课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高!

学员对于会议答疑给予高度评价!

授课时间

人工智能电磁仿真设计实战专题

2026.10.11(上午9:00-11:30下午13:30-17:00)

2026.10.13---2026.10.16(晚上19:00-22:00)

2026.10.17---2026.10.18(上午9:00-11:30下午13:30-17:00)

腾讯会议线上授课(共五天课程提供全程视频回放和课程群答疑)

课程费用

每人每班:4980元

往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。

报名方式

 屏幕截图_29-5-2026_15226_www.dxianai.com(1).jpeg

联系人:陈老师

咨询电话:15652523032(微信同号)

相关事项(必读!)

1、每个学员在报名后都会提供盖有公章的邀请函。

2、若有任何问题需要咨询或沟通,请发送邮件至13141346157@qq.com。

3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。

4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。

seo seo