一种用于3D PEC目标微波散射分析的物理信息分层神经网络
机器学习
2026-05-27 v5 人工智能
摘要
准确建模三维(3D)完美导电(PEC)目标在微波频率上的散射构成计算电磁学中 fundamental objective，尤其是用于雷达横截面(RCS)预测和微波散射分析。经典求解器，如矩法和多层快速远场近似算法(MLFMA)，虽然提供高物理保真度，但在涉及大量入射配置或频率的重复查询情景下变得代价高昂；而纯数据驱动的替代方法常常在几何复杂目标上缺乏准确性。本文提出一种U型物理信息人工神经网络(U-PINet)用于3D微波散射分析。灵感来自MLFMA的近场-远场分解，U-PINet将以可学习的单变量基函数为参数的近场图编码器与在八叉树分区上组织的层次化多尺度融合模块相结合。该网络在表面 collocation 点处针对电场积分方程的离散残差进行训练，无需参考电流标签。针对标准型和几何复杂的3D PEC目标，在多个频率和极化配置下进行的实验，通过双侧 RCS 重建评估显示，U-PINet在代表性物理信息基准方法中性能优于，且在重复查询情景下相较于经典MLFMA求解器实现显著的运行时节省。
引用
@article{arxiv.2508.03774,
title = {A Physics-Informed Hierarchical Neural Network for Microwave Scattering Analysis of 3D PEC Targets},
author = {Rui Zhu and Yuexing Peng and George C. Alexandropoulos and Wenbo Wang},
journal= {arXiv preprint arXiv:2508.03774},
year = {2026}
}
备注
Submitted to an IEEE Journal