柔性射频技术研究中心在《IEEE Antennas and Wireless Propagation Letters》期刊发表最新论文：“Efficient Analysis of Electromagnetic Scattering from Composite Finite Periodic Structures by Prior Physics-Driven Graph Neural Network”

2025年11月研究进展：基于先验物理驱动图神经网络的复合有限周期结构的电磁散射分析方法 （Efficient Analysis of Electromagnetic Scattering from Composite Finite Periodic Structures by Prior Physics-Driven Graph Neural Network）

准确、高效地分析大规模有限周期阵列的电磁特性是计算电磁学的重要研究课题。本文首次提出了一种基于先验物理信息驱动的图神经网络（PPDGNN），用于快速计算复合大规模有限周期结构的远场散射。首先将每个复合单元视为一个图节点，所有节点根据耦合关系进行先验物理连接。随后将金属单元的电流系数作为先验物理信息，与阵列的结构参数一起形成特征矩阵。先验物理信息的引入使得PPDGNN能够快速分析复合周期结构的散射特性，并且无需填充和求解阻抗矩阵方程。此外，迁移学习的应用使得模型的时间消耗减少了近80%，并且使得模型能够分析更大尺度和具有杂单元结构的阵列。数值实验表明，PPDGNN具有准确性、强泛化和高效性。

该工作由3044am永利集团3044noc柔性射频技术研究中心的刘湉为第一作者，陆卫兵为通讯作者。论文发表在《IEEE Antennas and Wireless Propagation Letters》期刊（影响因子：4.8）

图1 PPDGNN网络流程图

论文信息

T. Liu, F. Guo, Bingbing Song, Zehui Chen, Hao Chen, Wu Yang, Jianan Zhang, Jianwei You, Weibing Lu., "Efficient Analysis of Electromagnetic Scattering from Composite Finite Periodic Structures by Prior Physics-Driven Graph Neural Network,"  

IEEE Antennas and Wireless Propagation Letters, IEEE Early Access, November. 2025.

https://ieeexplore.ieee.org/document/11218634