神经网络代理模型为超导磁体仿真提速

近日，国内科研团队在高温超导磁体电磁分析与设计领域取得重要突破，由瞿体明老师团队完成的研究论文《A Surrogate Model for High-Temperature Superconducting Magnets to Predict Current Distribution with Neural Networks》已被超导领域顶级期刊《Superconductivity》正式接收。该研究创新性地将深度学习引入高温超导磁体电磁分析，成功构建了基于神经网络的代理模型，为解决复杂电流分布预测及磁体参数快速优化提供了全新的技术路径。

高温超导磁体作为可控核聚变及强磁场科学装置的核心装备，其内部由于复杂的屏蔽电流效应而存在非均匀电流密度分布。传统的有限元方法虽然具备高精度，但随着磁体规模持续增大，计算耗时呈指数级增加，严重制约了设计方案的快速迭代。针对这一工程瓶颈，研究团队提出基于全连接残差神经网络(FCRN)的代理模型，利用有限元仿真数据进行高效训练，使模型能够根据磁体几何参数和运行条件，秒级预测带材内部电流密度分布并计算交流损耗与中心磁场。

在具体的工况验证中，该模型展现出极高的预测精度与计算效率。在快速励磁和稳态运行测试中，模型对励磁磁化损耗预测的相对误差低于 10%，对稳态中心磁场预测的平均相对误差仅为 1.2%。传统有限元方法完成一次励磁仿真需要数小时，而训练后的神经网络模型可在亚秒级内完成指定时刻的电流密度分布预测，计算效率实现质的飞跃。残差神经网络的出色表现有效改善了深层网络的训练收敛性能，为处理复杂电磁问题奠定了坚实基础。

在实现电磁特性快速预测的基础上，研究进一步拓展了人工智能在磁体智能设计中的实际应用。以中心磁场大于 16 特斯拉(T)、中心区域不均匀度小于 1% 且减少超导带材用量为优化目标，模型仅用 290 秒便完成了 4265 组参数组合的高效扫描与评估，成功筛选出预测中心磁场为 16.02 特斯拉的优质方案，与有限元计算结果(16.04 特斯拉)高度一致。随着未来物理约束融合与训练工况的不断扩展，人工智能技术必将在高温超导磁体多参数优化与工程设计中发挥更加关键的作用。