基于图的条件变分自动编码器（G-CVAE）与物理信息神经网络（PINN）相结合的超宽带频率选择性表面的逆向设计

《IEEE Journal on Multiscale and Multiphysics Computational Techniques》：Inverse Design of Ultra-Wideband Frequency Selective Surface Using a Graph based Conditional Variational Autoencoder (G-CVAE) integrated with a Physics Informed Neural Network (PINN)

　　该研究提出基于图卷积网络的条件变分自编码器（G-CVAE）与物理信息神经网络（PINN）结合的逆设计方法，用于预测具有超宽带阻带的频率选择表面（FSS）结构。通过提取FSS几何设计的拓扑和空间特征，训练的G-CVAE-PINN模型能准确映射物理结构与电磁行为，平均误差控制在3%。实验验证的带阻FSS在8-28GHz范围内实现20GHz宽频带 rejection，且在正交极化（TE/TM）和75°入射角下均保持极化无关性，适用于5G及卫星通信的频率滤波场景。

　　

摘要：

本研究提出了一种基于图条件变分自编码器（G-CVAE）与物理信息神经网络（PINN）相结合的带阻频率选择表面（FSS）逆向设计方法。该逆向设计旨在预测具有超宽阻带特性的FSS几何结构。首先，图卷积网络精确提取FSS几何设计中的拓扑和空间关系；然后利用图的特征以及FSS数据集的仿真结果来训练CVAE，使其能够映射FSS的物理结构及其电磁行为。训练好的CVAE可以预测出具有所需频率响应的FSS几何结构，而PINN则用于确保设计的物理可行性。通过监控平均相对误差值，可以使得仿真结果和预测结果之间的传输系数更加接近。此外，还采用了类似的方法来提高角度稳定性，并实现TE模式和TM模式下的极化独立性。通过使用不同的图属性和仿真结果组合构建并训练G-CVAE-PINN模型，最终实现了3%的平均误差率。随后，从预测的FSS设计方案中选取了一个最佳方案进行实验验证。该经过实验验证的带阻FSS在8 GHz至28 GHz的频率范围内实现了20 GHz的宽频带抑制效果；并且在该FSS在正常角度和倾斜角度下均表现出75°的极化独立性。因此，这些预测的FSS设计方案非常适合用于雷达罩、电磁干扰（EMI）屏蔽以及卫星通信等领域，能够为5G及后续网络提供高效的频率过滤功能。