大规模有限周期结构已广泛应用于通信基站、相控阵系统、电磁超表面以及其他军民设备。近几十年来，人们开展了大量研究以准确高效地大规模有限周期结构的散射问题。与无限周期结构不同，大规模有限周期结构需要考虑边缘效应。随着阵列尺寸扩大和单元结构日益复杂，CST、HFSS和FEKO等广泛使用的商用电磁软件面临过高的计算内存需求和巨大的计算时间成本。在以往的研究中，尽管已开发出将传统SED基函数方法与数据驱动的AANN或HVQA相结合用于大规模有限周期结构散射分析，但这些AI模型仍需根据单元的物理空间分布重复构建网络，在不同阵列尺寸和变化的单元结构下生成训练样本时，会带来显著的计算负担。
为克服上述缺陷，本文提出一种基于自适应物理信息Transformer框架新型智能SED基函数方法（ISED-APTF）。受NASED基函数法求解机理启发，所提ISED-APTF能够自适应感知单元结构，并通过子域神经网络（SNN）与全域神经网络（ENN）预测电流系数。融合迁移学习的SNN可快速预测不同子阵列的初始电流系数，供ENN结合全局耦合效应进行修正。初始电流系数的引入能够为ENN提供与单元结构相关的耦合先验信息。此外，本文构建融合空间-物理语义信息与数值特征的特征融合策略，并引入由阻抗矩阵方程推导得到的数据-物理混合损失函数，以此实现Transformer模型的高效应用。得益于上述设计，数值结果表明：在线计算阶段，ISED-APTF省去计算开销高昂的阻抗矩阵方程求解过程，相较于传统全波电磁仿真方法，加速比可达93.4%–99.2%。在重复仿真场景下，该效率优势将进一步凸显。同时，基于全局耦合效应训练的ENN可良好泛化至更大规模阵列以及不同单元结构的阵列目标中。该特性可节省复合周期结构数百小时的数据集生成成本，为降低离线训练成本提供新思路。
论文信息
[1] T. Liu et al., “Intelligent Subentire-Domain Basis Functions Method Based on Adaptive Physics-Informed Transformer Framework,”Trans. Antennas Propag., pp. 1–14, 2026.
京公网安备 11010802027423号