基于JEC-FDTD等效循环神经网络的电磁建模和等离子体参数反演

作     者：覃一澜 马嘉禹 付海洋 徐丰 

作者机构：复旦大学电磁波信息科学教育部重点实验室 

出 版 物：《电波科学学报》 (Chinese Journal of Radio Science)

年 卷 期：2023年

学科分类：07[理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 070204[理学-等离子体物理] 0811[工学-控制科学与工程] 0702[理学-物理学] 

基　　金：国家自然科学基金(4207040290) 电波环境特性及模化技术重点实验室开放基金(202103013) 

主　　题：电流密度卷积时域有限差分(JEC-FDTD)方法 磁化等离子体 循环神经网络(RNN) 物理启发的机器学习算法 参数反演 

摘      要：磁化等离子体中的电磁波传播是重要的研究课题，针对特定场景下的电磁等离子耦合问题，进行有效且准确的方程建模与参数求解具有极强的研究价值和挑战性，这是探究电磁波与等离子体复杂非线性相互作用机制的关键. 文中设计了一种可用于电磁等离子体正逆向建模的循环神经网络(recurrent neural network， RNN)，该网络正向传播过程等价于任意磁倾角情况下的电流密度卷积时域有限差分 (current density convolution finite difference time domain， JEC-FDTD)方法，因此可以求解给定的电磁建模问题，并易于大规模并行计算. 通过构建前向可微模拟过程，JEC-FDTD方法可以使用自动微分技术准确且高效地计算梯度，然后通过训练网络来解决反问题. 因此，该方法可以有效利用观测到的时域散射场信号反演重要的等离子体参数. JEC-FDTD方法和RNN相结合，形成了较强的协同效应，使得模型具有可解释性和高效的计算效率，受益于深度学习提供的优化策略和专用硬件支持，可以适用于不同仿真场景下的电磁建模和等离子体参数反演.