本文介绍了一项由西安电子科技大学电子工程学院姜晓天、张焕焕（IEEE高级会员）、郭凯太、郑洋、梁继民（IEEE会员）共同完成的研究。该研究以“GTC-3DEM: 一种用于快速宽带三维电磁散射计算的基于网格的深度学习代理模型”为题，已被《IEEE Transactions on Antennas and Propagation》期刊接受发表（DOI: 10.1109/TAP.2026.3661600）。

一、 研究背景与目的

学术领域： 本研究属于计算电磁学与人工智能交叉领域，具体聚焦于三维电磁散射（3D EMS）问题的快速计算。

研究背景与动因： 三维宽带电磁散射计算是雷达截面（RCS）分析、隐身设计等应用的基础。然而，传统的数值方法（如矩量法MOM、有限积分技术FIT）虽然精度高，但计算成本巨大，通常每个样本（特定入射角与频率组合下的RCS图）需要数十秒甚至更长时间，严重限制了其在快速设计优化、参数扫描等场景中的应用。近年来，深度学习在计算电磁学领域展现出巨大潜力，但多数研究局限于二维场景或简化条件。针对复杂三维目标、宽频带、多角度入射的电磁散射快速预测，仍缺乏高效、精确且可扩展的解决方案。

研究目标： 本研究旨在开发一种基于深度学习的代理模型（Surrogate Model），能够直接从三维物体的三角表面网格（Triangular Surface Mesh）和入射波参数（方向、频率）出发，快速、准确地预测其宽带、全向的RCS分布。最终目标是实现相比传统全波仿真方法数量级的加速，同时保持高保真度，为复杂三维目标的电磁特性分析与设计提供一种高效工具。

二、 研究方法与详细流程

本研究提出了一种名为GTC-3DEM（Graph-Transformer-Convolutional 3D Electromagnetic）的神经网络框架。其核心思想是将三维物体的电磁散射建模为一个从几何和入射条件到远场散射图（RCS）的端到端映射学习问题。整个工作流程主要包括以下几个关键步骤：

1. 数据集构建与表示： * 研究对象与规模： 研究选取了来自ShapeNet数据集的20个飞机三维模型作为几何目标。每个模型通过全波电磁仿真软件（CST Studio Suite）进行计算，生成训练数据。仿真覆盖了0.1-1.0 GHz（基线研究）的110个频率点，以及84个不同的入射波方向（均匀或随机采样）。每个样本对应一个特定的（模型，频率，入射角）组合，输出为一张360x720像素的二维RCS矩阵（对应0.5°间隔的俯仰角θ和方位角φ采样）。最终，整个数据集包含20个飞机模型 x 110个频率 x 84个角度 = 184,800个数据样本。 * 数据处理与特征嵌入： 采用三角表面网格作为三维物体的几何表示。每个三角面片被转化为图数据结构中的一个节点，其邻接关系（共享边的面片）构成边。每个节点（面片）的特征向量包含21维的几何属性（三个顶点坐标、面积、法向量、内角）和电磁属性（入射波方向向量、入射方向与法向夹角、归一化频率）。这些原始特征通过一个嵌入层（Embedding Layer）被映射到高维（192维）的潜在空间，作为图神经网络的输入。

2. GTC-3DEM 神经网络架构： 该架构是本研究方法的核心创新，采用编码器-解码器结构，集成了图神经网络（GNN）、Transformer和卷积神经网络（CNN）。

• 图神经网络（GNN）编码器 – 局部特征提取： 使用5层SAGEConv图卷积层。每个节点（三角面片）通过消息传递机制聚合其一阶邻居（共享边的相邻面片）的信息。这一过程模拟了电磁散射中相邻表面单元之间电流的局部耦合与相互作用，有效捕获了物体表面的局部几何结构和近场电磁相互作用。
• Transformer编码器 – 全局特征提取： GNN更新后的节点特征被序列化，送入一个单层的Transformer编码器。通过自注意力（Self-Attention）机制，每个面片可以与模型中所有其他面片进行信息交互，无论它们是否在空间上相邻。这使模型能够捕捉长程的、非局部的多重散射效应，克服了GNN感受野有限的局限。
• 分层条件控制机制： 这是一个关键设计。除了在每个面片特征中包含入射波参数外，模型还在GNN-Transformer编码器的每一层、特征适配模块以及CNN解码器的每一层，通过两个多层感知机（MLP）分别处理全局的入射角（θ, φ）和频率（f）参数，生成控制向量，并以相加的方式调制（Modulate）该层的特征。这确保了模型在整个前向传播过程中都能感知到物理场景的全局条件，增强了预测的物理一致性和对不同入射配置的泛化能力。
• CNN解码器 – RCS图像生成： 经过Transformer编码的全局特征首先通过一个“适配块”（Adaptation Block，包含1x1卷积和维度压缩）被转换为一个结构化的二维空间特征图。随后，一个基于SegNet架构的CNN解码器（由卷积层和上卷积层堆叠而成）对该特征图进行上采样和精炼，最终重建出目标尺寸（360x720）的二维RCS预测图。

3. 模型训练与损失函数： * 模型使用PyTorch实现，采用Adam优化器进行训练。 * 损失函数设计： 主损失函数为L1损失，用于衡量预测RCS图与真实RCS图在每个像素上的绝对差异。L1损失比L2损失（均方误差）更能保留RCS分布中的尖锐特征（如前向散射峰）。此外，研究引入了一个峰值差异损失（Peak Discrepancy Loss）作为辅助项，专门惩罚预测RCS最大值与真实值之间的差异，以改善对散射峰幅值的预测精度。最终的总损失是L1损失与峰值损失的加权和。

4. 实验设计与分析流程： 研究设计了严谨的实验来全面评估模型性能： * 分布内实验（In-Distribution, ID）： 对每个飞机模型独立训练和测试（90%数据训练，10%测试），评估模型在“见过”的几何形状上的拟合与预测能力。 * 分布外实验（Out-of-Distribution, OOD）： 采用4折交叉验证，在飞机模型层面进行划分。每次训练使用15个飞机的数据，测试另外5个完全未见过的飞机。这用于评估模型对全新几何结构的泛化能力。 * 评估指标： 使用图像质量评估中常用的平均绝对误差（MSE）、峰值信噪比（PSNR）和结构相似性指数（SSIM）来衡量预测RCS图与真实仿真结果之间的差异。 * 消融研究（Ablation Study）： 通过移除GNN、Transformer或条件控制机制等组件，验证每个模块的必要性。 * 扩展研究： 包括频率可扩展性研究（将频率范围扩展到8.0 GHz，进行内插和外推测试）、网格敏感性研究（测试模型对不同分辨率、不同细分拓扑网格的鲁棒性）、入射极化研究（扩展模型以处理椭圆极化入射波）以及电场预测案例研究（将预测目标从RCS标量扩展到复数电场矢量）。

三、 主要研究结果

1. 分布内实验性能： 在分布内实验中，GTC-3DEM展现了卓越的预测精度。平均PSNR达到36.06 dB，SSIM达到0.9620，MSE低至9.0e-4。可视化结果（如图5所示）显示，在不同频率、不同入射角下，模型预测的RCS图与真实仿真结果高度一致，包括复杂的散射瓣结构和幅值变化。这证明了模型能够从网格数据中有效学习并准确复现已知目标的电磁散射特性。

2. 计算效率对比： 这是本研究最突出的成果之一。与传统全波数值方法相比，GTC-3DEM实现了两个数量级的速度提升。具体而言，传统方法如FIT、多层快速多极子方法（MLFMM）和自适应交叉近似（ACA）计算一个样本平均需要33.42秒、64.60秒和70.40秒。而训练好的GTC-3DEM模型进行单次前向推理（预测）仅需约0.2秒。尽管模型需要一次性的、耗时的高保真仿真数据生成和训练过程，但在需要大量RCS评估的场景（如优化设计、敏感性分析）中，这种前期投入能通过海量的快速推理得到补偿，展现出巨大的实用价值。

3. 分布外实验与泛化分析： 在分布外实验中，模型性能出现预期中的下降（平均PSNR 16.42 dB， SSIM 0.7383），这揭示了模型对几何结构变化的敏感性。进一步的分析发现，预测性能的下降与测试飞机的几何特性偏离训练集分布密切相关。通过计算表面积体积比、包围盒长宽比、平均曲率等几何指标，并利用Z分数进行离群值分析，研究识别出了“困难”飞机（如战斗机、玩具无人机等几何结构独特的模型）。这些“困难”飞机的几何指标往往处于分布边缘，其预测误差明显大于结构相似的“容易”飞机（如多数客机模型）。这一结果强调了训练数据几何多样性的重要性，并指明了未来提升模型泛化能力的方向——需要涵盖更广泛的几何形态。

4. 频率依赖性分析： 对OOD实验中一个“困难”飞机（bb7d）的分析显示，模型的MSE在整个频带（0.1-1.0 GHz）内相对稳定，但PSNR和SSIM随频率升高而显著提升。这是因为RCS幅值通常随频率增大，在L1损失下，相同的绝对误差在高频（大信号）时对应的相对误差更小，因此PSNR和SSIM更高。这反映了模型在优化绝对误差方面表现一致，但也提示了损失函数设计上可能的改进空间。

5. 消融研究与架构验证： 消融研究证实了GTC-3DEM每个核心组件的必要性。移除GNN或Transformer都会导致性能显著下降，证明了局部交互和全局依赖建模的互补性与不可或缺性。增加Transformer层数带来的精度提升有限但计算成本大增，因此单层设计是效率与性能的平衡点。分层条件控制机制和峰值损失函数也被证明对提升预测准确性和物理一致性至关重要。

6. 扩展研究结果： * 频率可扩展性： 在1.0-8.0 GHz更高频段（光学区）的内插实验中，模型保持了良好的预测能力（SSIM=0.9706），表明其能捕捉高频下的主导散射特征。但在跨越共振区（0.1-1.0 GHz）和光学区（1.0-8.0 GHz）的宽频带联合训练中，性能出现分化，揭示了统一模型学习不同电磁散射机制的挑战。 * 网格鲁棒性： 在网格敏感性研究中，模型对同一几何的不同分辨率/细分网格表现出很强的鲁棒性。在网格分布外实验中，用多个分辨率的网格训练后，模型对未见分辨率的网格仍能取得较好预测结果（PSNR=29.72 dB），说明模型学习的是与网格离散化无关的、本质的几何-电磁映射关系。 * 任务扩展性： 通过微调条件输入和输出层，模型成功扩展到椭圆极化入射波的预测，并进一步展示了预测总电场强度乃至复电场矢量（实部与虚部）的潜力。在电场预测任务中，模型取得了PSNR=30.49， SSIM=0.9599的优异结果，证明了GTC-3DEM框架的通用性和可扩展性，不局限于RCS预测。

四、 研究结论与意义

本研究成功开发并验证了GTC-3DEM，一个基于三角网格、融合GNN-Transformer-CNN的深度学习框架，用于快速、准确地预测三维物体的宽带电磁散射（RCS）。该模型通过将局部几何相互作用（GNN）、全局电磁耦合（Transformer）与空间图案生成（CNN）相结合，并辅以分层条件控制，实现了对复杂物理现象的高效学习。

科学价值： 本研究为计算电磁学领域提供了一种新颖的、数据驱动的代理建模范式。它将物理启发（如基于网格的表示、局部与全局相互作用建模）与先进的深度学习架构深度融合，展示了人工智能在解决高维、高复杂度物理场预测问题上的强大能力。研究中对模型泛化性、频率可扩展性、网格鲁棒性的系统性分析，为后续AI for CEM（计算电磁学）研究提供了重要的方法论参考和基准。

应用价值： GTC-3DEM实现了相比传统数值方法百倍以上的加速，将单次RCS计算从数十秒缩短到0.2秒以内。这为雷达截面快速分析、隐身外形优化、天线布局评估、实时电磁环境仿真等工程应用开辟了新的可能性。工程师可以在设计初期进行大规模的参数扫描和性能评估，极大地提升设计效率。

五、 研究亮点

1. 创新的混合架构： 首次提出并成功将GNN（处理非欧几何）、Transformer（捕获长程依赖）和CNN（生成规则场图）有机结合，用于三维电磁散射的端到端学习，架构设计具有物理启发性。
2. 高效的网格表示与条件控制： 采用三角表面网格作为输入，比体素或点云更精确、更高效；提出的分层条件控制机制巧妙地将全局入射参数注入网络各层，显著提升了模型对物理条件的感知和泛化能力。
3. 卓越的性能与效率： 在保证高预测精度（PSNR > 36 dB， SSIM > 0.96）的同时，实现了超过两个数量级的计算加速，验证了深度学习代理模型在计算电磁学中的巨大潜力。
4. 全面深入的验证分析： 不仅进行了标准的ID/OOD测试，还深入分析了频率依赖性、数据稀疏性、网格敏感性，并成功将框架扩展到极化多样性和电场预测，充分证明了模型的鲁棒性、可扩展性和通用性。
5. 开源与可复现性： 作者公开了全部源代码（GitHub），促进了学术社区的验证、使用和进一步发展。

六、 其他有价值内容

研究也坦诚地讨论了当前工作的局限性，主要包括：1) 训练数据的几何多样性有限，影响了模型对极端异形目标的泛化能力；2) 目前框架仅适用于理想导体（PEC）目标，尚未扩展到介质或多层材料；3) 损失函数可能未完全捕获RCS的所有感知特征。这些为未来的研究指明了方向，例如引入基于特征模理论（CMT）的几何预训练、开发适用于非PEC材料的体网格表示、以及探索物理信息驱动的学习策略等。