【MindSpore】MindSpore Elec电磁仿真套件代码架构和案例介绍

MindSpore Elec代码架构及应用案例介绍

为了让开发者更好地使用MindSpore Elec，本节重点介绍MindSpore Elec代码架构及应用案例撰写。

MindSpore Elec代码架构

MindSpore Elec代码路径为https://gitee.com/mindspore/mindscience/tree/master/MindElec，
其工程目录结构如下：

└─MindElec
　　 ├── cmake                             // 第三方库构建脚本
　 　├── examples                          // 典型案例
　 　├── mindelec                          // 架构核心代码
　 　│  ├── architecture                    // 神经网络基础架构
　 　│  ├── ccsrc                           // CAD数据前处理
　 　│  ├── common                          // 学习率设置
　 　│  ├── data                            // 数据采样和加载
　　 │  ├── geometry                        // CSG几何建模
　 　│  ├── loss                            // 损失函数
　 　│  ├── operators                       // 高阶梯度计算
　　 │  ├── solver                          // 训练和推理
　　 │  └── vision                          // 可视化工具
　 　├── CMakeLists.txt                    // 构建脚本
　 　├── README.md                         // 使用说明
　 　├── build.sh                          // whl包编译脚本
　 　└── setup.py                          // whl包配置文件

MindSpore Elec的安装方式有两种，分别是whl包直接安装，以及bash build.sh源码编译生成whl包再安装。MindSpore Elec的核心代码中包含了CSG几何建模、CAD数据前处理、训练和推理以及可视化等模块。下面以物理驱动的电磁仿真模型为例，对API部分接口进行介绍。

MindSpore Elec案例撰写

创建数据集

可以通过geometry模块生成圆形、矩形等几何体，并且几何体之间可以进行并集、补集等逻辑运算。

from mindelec.data import Dataset
from mindelec.geometry import Disk, Rectangle, TimeDomain, GeometryWithTime
# 激励源区域
disk = Disk("src", disk_origin, disk_radius)
# 非激励源区域
rectangle = Rectangle("rect", coord_min, coord_max)
diff = rectangle – disk
# 时间范围
time_interval = TimeDomain("time", 0.0, config["range_t"])
...
# 最终采样区域
geom_dict = {src_region : ["domain", "IC"],
                 no_src_region : ["domain", "IC"],
                 boundary : ["BC"]}

MindSpore Elec的Dataset接口可以将不同的采样数据合并为统一训练数据集。

# create dataset for train
elec_train_dataset = Dataset(geom_dict)
train_dataset = elec_train_dataset.create_dataset(batch_size=config["train_batch_size"],
                                                  shuffle=True,
                                                  prebatched_data=True,
                                                  drop_remainder=True)

模型构建

定义控制方程及初边值条件：用户可以继承Problem类，快速定义控制方程governing_equation、边界条件boundary_conditon、初始条件initial_condition等，其中对于方程中的一阶微分可以调用梯度接口Grad来实现，相应的二阶微分可以调用接口SecondOrderGrad来完成。

# 2D TE波（2阶Mur边界条件） 
class Maxwell2DMur(Problem):
    def __init__(self, model, config, domain_name=None, bc_name=None, ic_name=None):
        super(Maxwell2DMur, self).__init__()

　　@ms_function
    def governing_equation(self, *output, **kwargs):
        """TE电磁波"""
　    　u = output[0]
        # 输入数据
        data = kwargs[self.domain_name]
        x = self.reshape(data[:, 0], (-1, 1))
        y = self.reshape(data[:, 1], (-1, 1))
        t = self.reshape(data[:, 2], (-1, 1))

        # 梯度计算
        dex_dxyt = self.grad(data, None, 0, u)
　　　   ...

        # 控制方程的损失函数
        loss_a1 = (self.s_hz * dhz_dy) / (self.s_ex * self.s_t * self.eps_x)
        loss_a2 = dex_dt / self.s_t
        pde_r1 = loss_a1 - loss_a2
        ...
　　　　
　　@ms_function
    def boundary_condition(self, *output, **kwargs):
        """2阶Mur边界条件"""
        # network input and output
        u = output[0]
        data = kwargs[self.bc_name]
        ...

        # 左边界条件
        bc_r1 = dhz_dx / self.s_x - dhz_dt / (self.light_speed * self.s_x) + \
                self.s_ex * self.light_speed * self.eps_x / (2 * self.s_hz * self.s_x) * dex_dy 
        ...
　　　　
　　@ms_function
    def initial_condition(self, *output, **kwargs):
        """初始条件: u = 0"""
        u = output[0]
        return u

Constraint将用户定义的控制方程转成MindSpore可以识别的计算图。

# 定义方程约束
train_prob = {}
for dataset in elec_train_dataset.all_datasets:
    train_prob[dataset.name] = Maxwell2DMur(model=model, config=config,
                                            domain_name=dataset.name + "_points",
                                            ic_name=dataset.name + "_points",
                                            bc_name=dataset.name + "_points")
train_constraints = Constraints(elec_train_dataset, train_prob)

构建神经网络：本例中所使用多通道残差网络并结合Sin激活函数，在该问题的模拟中取得了相比其他方法更高的精度。

model = MultiScaleFCCell(config["input_size"],
                         config["output_size"],
                         layers=config["layers"],
                         neurons=config["neurons"],
                         input_scale=config["input_scale"],
                         residual=config["residual"],
                         weight_init=HeUniform(negative_slope=math.sqrt(5)),
                         act="sin",
                         num_scales=config["num_scales"],
                         amp_factor=config["amp_factor"],
                         scale_factor=config["scale_factor"])

模型训练

MindSpore Elec提供的Solver类是模型训练和推理的接口。输入优化器、网络模型、PDE的约束（train_constraints）和可选参数（如自适应加权算法模块）。

# 优化器
lr_scheduler = MultiStepLR(config["lr"], config["milestones"], config["lr_gamma"], steps_per_epoch, config["train_epoch"])
lr = lr_scheduler.get_lr()
optim = nn.Adam(params, learning_rate=Tensor(lr))

# 求解器
solver = Solver(model,
                optimizer=optim,
                mode="PINNs",
                train_constraints=train_constraints,
                test_constraints=None,
                metrics={'l2': L2(), 'distance': nn.MAE()},
                loss_fn='smooth_l1_loss',
                loss_scale_manager=DynamicLossScaleManager(init_loss_scale=2 ** 10, scale_window=2000),
                mtl_weighted_cell=mtl)
#训练
solver.train(config["train_epoch"],train_dataset, callbacks=callbacks, dataset_sink_mode=True)

更多的应用和参考如下：
教程：https://www.mindspore.cn/mindscience/docs/zh-CN/master/mindelec/point_cloud.html；
API接口：https://www.mindspore.cn/mindscience/api/zh-CN/r0.1/mindelec.html；
代码仓：https://gitee.com/mindspore/mindscience/tree/master/MindElec。