SIMULIA與行業及學術界合作，結合模擬技術與尖端研究，持續推動電磁設計的創新發展。來自奧地利格拉茨工業大學（Technical University of Graz）的Jan Carsten Hansen教授，憑藉其豐富的SIMULIA技術應用經驗，分享了他對機器學習（Machine Learning, ML）在電磁模擬中應用的獨到見解。 機器學習如何改善電磁學？ 電子系統及其電磁耦合路徑極為複雜。雖然教科書中有許多通用規則，但由於電子設計的多樣性，無法用傳統規則預測所有電磁交互情況。通常，經驗豐富的EMC工程師能夠憑藉多年經驗判斷系統可能出現的EMC問題並提出解決方案，而機器學習（ML）則提供了一種快速累積經驗的方式。 透過訓練模型，我們可以模仿EMC工程師的判斷過程，基於觀察推論類似案例。雖然ML模型無法完全取代人類專家，但它能全天候學習，幫助工程師更快速地獲取知識，尤其在當今技術不斷創新的時代更具價值。ML模型還能處理多個變數並以極快的速度完成計算，例如每日可運算約1000萬個樣本，顯著縮短開發週期。 AI與EMC模擬結合的動機 Hansen教授提到，在EMC的應用中導入AI協助設計是具有兩大關鍵誘因： 多目標優化 Hansen教授指出，AI最適合用於產品設計初期的多目標優化，特別是在參數尚未完全確定的情況下。在產品設計中，通常需要在成本、EMC限制、性能效率及熱設計等多個目標間取得平衡。多目標優化旨在以最佳化的方式分配資源，確保在既定預算下獲得最佳品質。例如，要在3D設計空間中以每個維度取3個樣本（例如最小值、最大值及中間值），需要3³=27個樣本。而若有8個參數維度，則需要3⁸=6561個樣本；若有15個參數維度，則超過1400萬個樣本。 設計空間的參數數量每增加一個，樣本數量會以指數級增長，而ML則能以智能採樣策略突破俗稱的維度詛咒（Curse of Dimensionality），顯著減少了所需樣本數量。AI可快速提供最佳設計基準，幫助工程師評估現有設計與最佳解之間的差距，進一步評估設計選項間的權衡，從而幫助工程師大幅提升效率，並做出最佳決策。 圖1.格拉茨工業大學的 Jan Carsten Hansen 教授 EMC模型的複雜性 高頻條件下，簡化的集總參數模型已無法滿足需求，工程師需要構建參數完整的3D電磁模型。然而，這些模型通常缺乏準確參數，必須透過測量結果校準模型。Hansen教授運用ML的統計推論方法估計最可能的參數集合，使模型更接近實際測量結果。 電力驅動應用案例 Hansen教授指出，機器學習在電力驅動設計中具有重要應用。例如，電動車的電力驅動系統是電磁輻射的主要來源之一，這包括馬達、逆變器與其他高功率電子元件。這些元件之間的電磁干擾（EMI）可能影響車輛的其他電子設備。 透過ML技術，工程師可以快速生成多種驅動系統設計方案，並在早期設計階段進行多目標優化，例如平衡驅動系統的效率、功率密度與EMC表現。此外，ML模型還能用於分析電力驅動系統中屏蔽線纜的輻射行為，幫助識別潛在問題並優化設計。 圖2.現代車輛包含各種各樣的電子元件，這些電子元件構成了一個複雜的電子系統 等效代理模型在EMC設計中的角色 等效代理模型（Surrogate Model）是一種模擬測試系統物理響應的行為模型，它可以基於物理模型、測量數據或兩者結合生成，並具有高效運算特性。例如，某些等效代理模型的運算速度可達300微秒，而較複雜的模型則需數毫秒運算，但即便如此，每日仍可處理約1000萬個樣本。與傳統模型相比之下，完整3D模型需要更長的計算時間，因此在樣本數量較多時，代理模型的效率優勢更加明顯。 在EMC設計中，由於EMC涉及大量案例研究和經驗積累，等效代理模型正好能快速提供高效解決方案，特別是在早期產品設計中生成多種優化方案，幫助工程師縮短開發時間，找到接近最佳的設計。 使用AI的EMC模擬流程 步驟一、建立初始訓練資料庫 首先，透過CST Studio Suite獲取系統的物理資訊，這些數據作為ML模型的訓練資料。在此一過程中CST Studio Suite的Python介面則是非常友善且實用的工具。 步驟二、訓練與測試模型 初始模型完成訓練後，進行多次測試並針對性能較差的區域去嘗試生成更多訓練數據，並持續對其優化。 步驟三、模型應用與驗證 使用訓練好的等效代理模型進行優化設計，並將最終參數套用至物理模型進行驗證，確保結果準確性。 AI模型的準確性與未來發展方向 Hansen教授強調，AI模型的準確性可透過與完整波物理模型的對比進行驗證。在優化過程中，每當等效代理模型給出參數建議時，都需將其應用至原始物理模型進行驗證，確保結果可靠。Hansen教授提出三個研究重點： 驗證最佳設計 應用ML找出的最佳設計進行實驗，證明其實用性與優勢。 提升模型校準能力 提高ML模型校準複雜硬體樣本的能力，提升高頻EMC模型的準確性。 結合物理約束的AI訓練 將物理定律融入AI模型訓練，以降低訓練數據需求，提高模型效率。例如： 我們構建一個以克希荷夫電路定律（Kirchhoff's Current Law, KCL）作為約束條件的物理模型，訓練模型的預測結果符合該電路基本原理；即在電路的任何節點處，流入節點的總電流等於流出節點的總電流 (ΣIin = ΣIout)。換句話說，節點處的電流總和為零（∑Iin = 0）。 透過機器學習與電磁模擬的結合，我們看到了在產品設計早期階段快速優化和高效分析的潛力。無論是多目標優化、參數校準，或是等效代理模型的應用，這些技術都能幫助工程師克服設計挑戰，縮短開發週期。隨著AI與物理知識的進一步融合，未來的設計方法將更加智能化，並為複雜電子系統的開發提供可靠的解決方案。 資料來源： SIMULIA Blog 關鍵字：Machine Learning、ML、EMC、AI、電磁模擬