[论文解读] Gradient-Informed Machine Learning in Electromagnetics

Matteo Zorzetto, Merle Backmeyer+4 more|arXiv (Cornell University)|Jan 26, 2026

Model Reduction and Neural Networks被引用 0

一句话总结

论文将 Isogeometric Analysis (IGA) 与 POD 和梯度增强高斯过程回归结合，构建用于参数化非线性电磁场的快速、非侵入式代理模型，并在无刷直流/永磁同步电机（PMSM）上进行验证。IGA 的梯度信息提高了在数据稀缺情形下的精度，并能够快速预测 KPI，如转矩。

ABSTRACT

Simulation techniques such as the finite element method are essential for designing electrical devices, but their computational cost can be prohibitive for repeated or real-time computations. Projection-based model order reduction techniques mitigate this by reducing the model size and complexity, yet face challenges when extended to nonlinear or non-affine parametric models. In this work, Isogeometric Analysis (IGA) is combined with proper orthogonal decomposition and Gaussian process regression to construct a non-intrusive surrogate model of a parametric nonlinear model of a permanent magnet synchronous machine. The differentiable nature of IGA allows for computationally efficient extraction of parametric sensitivities, which are leveraged for gradient-enhanced surrogate modeling.

研究动机与目标

• 激发并解决重复或实时电磁仿真计算成本高的问题。
• 为参数化的非线性电磁问题开发非侵入式代理模型。
• 利用可微分的 IGA 获得参数灵敏度以提升代理能力。
• 将 POD 进行降维与梯度增强 GPR 结合，实现对场和 KPI 的高精度预测。

提出的方法

• 通过 Isogeometric Analysis 对参数化的 PMSM 进行离散化，获得状态向量和参数灵敏度。
• 对场快照应用 Proper Orthogonal Decomposition 以创建降维基。
• 训练梯度增强高斯过程回归模型，将参数映射到降维系数，并包含梯度信息。
• 从 POD 基和预测的降维系重新构建全场解，并计算 KPI（如转矩）。
• 比较梯度无关 GPR 与梯度增强 GPR 在场重构和 KPI 预测中的表现。

实验结果

研究问题

• RQ1 梯度信息来自 IGA 在多参数非线性电磁问题的代理模型中能有多大改善？
• RQ2 在数据稀缺与数据充足情形下，梯度增强 GPR 相对于梯度无关方法的精度影响如何？
• RQ3 POD-GPR 代理能否在显著缩短评估时间的前提下，提供准确的场重构和 KPI 预测（如转矩）？

主要发现

• 梯度增强的 GPR 在场重构中始终优于梯度无关方法，且在数据有限的情况下尤为明显。
• 包含梯度信息可收紧预测置信区间并提高降维系的精度。
• 代理模型将评估时间从数十秒缩短到毫秒级，同时保持高精度。
• 通过参数直接建模 KPI（如转矩）的 GPR 在某些情形下优于基于场的预测方法。
• 随着训练数据的增加，基于 GP 的代理的精度接近 POD 重构误差。