EM2.0 带你手把手走完HFSS模型的ML辅助优化设计！

我所谓的局限性，比如说，我刚刚想到了一个点，采用各类算法决定搜值方向，从而不断迭代优化，使得最终天线参数满足需求。这是一个显然的优化过程，在ADS里叫做goal。而在HFSS里，这种功能就叫做优化。
一般在HFSS不会去采用它，因为HFSS提供的优化算法所需的迭代次数太多， 而HFSS每次计算的耗费资源远大于ADS。
如果采用com控制HFSS，自己自设软件，自设算法，外围控制HFSS进行优化，自由度更高些，但我猜测，实际应该迭代次数任然不低。

那么，这种情况下，采用AI，采用神经网络去迭代，也就是将整个优化过程中的所有数据（输入：变量参数值-输出：S参数值）投喂给神经网络学习，那么，此时，神经网络或许可以给出某条“高维拟合曲线”，对于其余未求解的输入参量可选值，可以快速给出一个AI推测值，然后根据这样一张推测值网表，迅速代入满足目标指标的输入值，放入HFSS，重新计算一下，，也许就能快速得到结果，节省计算资源。

这种模式，就是，优化算法（搜索一百次，搜索到了就终止，没搜索到就将一百次的结果投喂给神经网络） + 神经网络（拟合出若干条高维曲线，得到满足指标的几组可选的输入参数组）
此时，神经网络就成了优化算法的神经网络，机器学习的不再是全局优化，而是基于优化算法的再优化。

但是，这种模式，具有的局限性在于，不够傻瓜，它只能成为专业人士的优化辅助工具（不过，也行吧，这样也还算有意义）

首先，非常感谢你的观点。前段时间一直在忙，没及时上来看看评论，今晚刚登陆上来。就这个问题，我也是初学者，只能简单谈一谈我的认识。不论是机器学习还是其他的AI算法，我觉得可以整理它目前的一个发展的路线来大概观察其在一些专业领域的应用前景。我觉得是有这么几个发展的阶段：第一阶段（替代模型的引入），对比HFSS或者是CST内置的优化算法（PSO，GA或是其他）而言，机器学习的引入是对传统优化算法效率的一个提升，也可以说是您提到的优化算法的’再优化‘。也是上文中的应用思路，通过替代模型的引入，提出‘优化引擎’，来大幅度减少原有优化过程中的全波求解次数，从而提升效率。这是一种非常直接的应用思路。当然，有很多人在这方面做了很多的工作，例如这个优化引擎是否可以随着迭代和新数据的加入不断更新（Off line 和On line的训练）？优化引擎怎么样使用更少的样本来建立（一些专门针对小样本的机器学习算法的研究）？优化的目标的多少和类型（单目标，多目标，线条结果的目标，场结果的目标）？结构参数的类型（连续和离散，结构参数间的相互约束）？以上种种问题的提出可以使得相比于商业软件自带的优化程序以及传统的群智能优化算法，基于AI（或是机器学习）的框架更灵活和高效。