更少的数据，更多的答案：像素化电磁结构的 AI 逆向设计

这里整理的是我投往 ASP-DAC 2027 的一篇论文（匿名评审中）。图与数据都来自论文原文，细节以论文为准。

一句话概括

给定一个目标的反射响应，让模型直接“画”出一块像素化的天线贴片——不用人反复调参数，也不用每一轮都跑全波仿真。

天线贴片被切成 12×12 的 0/1 像素网格，除了馈电处固定的两个像素，其余像素都可以是铜或空气。分辨率越高，能“长”出的形状越自由，但要仿真的样本也越多。这篇工作主要想解决的就是这中间的三个卡点。

① 数据太贵。 12×12 的网格有 142 个自由像素，是约 2^142 种组合；拿到足够多的高分辨率样本，要靠成千上万次全波仿真。

② 一对多。 同一个目标响应，往往对应很多种不同的结构。用确定性网络去学，模型会偏向给出这些结构的“平均”，结果既不满足指标，也不像一块真实的金属。

③ 目标错位。 常用的损失是整条曲线的误差，可工程师真正在意的是谐振频率是否落在 18 GHz、谐振有多深、带宽够不够、带外有没有多余的谐振。两条曲线“整体很像”，工程上却可能不能用。

思路很像学写字：先在小格子里把结构大致写对，再换到大格子修细节。

先用 6×6 的低分辨率数据预训练，让模型先学到“什么样的形状会产生什么样的响应”；把低分辨率输入做最近邻上采样、对齐到高分辨率尺寸后，再用高分辨率数据做精调。全程像素的 0/1 性质保持不变。

在同样 40k 测试集、同样精度的前提下：

针对“一对多”，把确定性的结构预测换成条件概率生成：条件编码器读目标 S11，结构编码器读真实结构，两者在潜空间里融合成一个 16 维的 z；条件解码器再把 z 和条件一起解码回结构。

两个细节很关键：

ST 激活层：把解码器的连续输出压到接近 0/1，让网络能直接输出可制造的像素矩阵，而不是灰度图。
KL 退火（warm-up）：前 15 个 epoch 逐步加大 KL 项的权重，先让模型学会“响应→结构”的映射，再约束潜空间的正态性，生成结果的多样性更稳。

生成之后，再用 CVAE 给出的多个候选作为初始种群，交给二进制粒子群（BPSO）做局部精修——全局生成加局部搜索。

在这套设置下，设计损失相比 ANN 和 CNN 基线分别下降 77.1% 和 71.55%；相比纯 GA / BPSO 搜索，优化时间缩短 27.61% / 19.79%，设计损失降低 49.12% / 31.18%。

一条总损失拆成四项，各自对应一个工程上真正关心的量：

L = 30 · L_res + 1 · L_amp + 10 · L_BW + 8 · L_nonBW

这样优化方向就从“整条曲线都像”变成了“工程上可用”。

单频例子瞄准 18 GHz：最终结构的谐振点在 18 GHz，S11 到 −21.12 dB（目标 −14 dB），带宽 0.5 GHz（目标 0.4 GHz），峰值辐射效率 91.83%。

双频例子瞄准 13.5 GHz 与 16.2 GHz：两个谐振都落在目标附近，带宽 0.375 GHz，两个频点的辐射效率分别为 84.43% 和 88.80%。

现在的损失函数全部建立在“电磁响应”上：频率、幅度、带宽、带外抑制——都是曲线上的量。但它没有约束结构本身的连续性。

于是模型可能给出一个在电磁上达标、几何上却很“碎”的贴片：孤立的像素点、断开的铜块、需要额外后处理才能制造的形状。这类解在仿真里是合法的，在工艺上不是。

两个可能的改法：

把结构连续性写成可微的正则项，和电磁损失一起优化。比如统计相邻像素的翻转次数、铜区域的连通分量数，让“连成一片”成为目标的一部分，而不只是事后筛选。
换一种建模结构的方式。像素矩阵本质上是一个序列，Transformer 在长程依赖上比卷积更擅长——也许能让模型学到“电流要走得通”这类全局约束，而不是只看局部邻域。

这两条路都还在想法阶段。它们大概也会是下一篇想做的方向。

✧

生活不需要那么多思考，多去做，多去感受