[发明专利]一种基于机器学习技术的线圈设计方法、线圈

说明书

本发明公开了一种基于机器学习技术的线圈设计方法，包括：从麦克斯韦方程组出发，得到磁场的表达式，计算特定区域的磁场不均匀度；通过以同轴线圈在电路板中的位置作为参数，设置好最大迭代次数，并根据参数的范围，选择机器学习算法；将差分进化算法与人工神经网络结合，探寻最优解所在邻域并构建关于磁场不均匀度的代理模型，由L‑BFGS算法探寻最小值，加速优化算法收敛；算法给出最佳预测参数，根据得到的线圈位置参数可以构建线圈系统。本发明还公开了一种基于上述设计方法设计获得的线圈。本发明在考虑实际应用的限制下为线圈设计提供更为普适且易于使用的方案，能够获得高均匀度的磁场以便在量子精密测量以及量子通信中更好地提高技术水平。

技术领域

本发明属于线圈设计领域，尤其涉及一种同轴线圈设计方法，基于机器学习算法给出设计方案，可以产生高均匀度的磁场，可以应用在各种需要均匀磁场的系统中。

背景技术

量子技术是利用光和物质的相互作用，借助量子相干性，实行高精度探测，保密通信，已经在脑磁测量，引力波探测，保密通信等项目中被广泛应用。但是量子态与环境的耦合，会导致退相干效应，其中之一就是来自于不均匀磁场的梯度。

传统产生均匀磁场的方案都是基于对于磁场关于空间分布的表达式的求导，或者将表达式做广义展开，尽可能消去其中与空间位置有关的项。这些方案的结果虽然不错，但是有的方案随着参数变多，需要高阶求导，计算复杂，有的在实际应用设计中会有各种工程问题的限制，导致无法直接去使用这些方案。

发明内容

为了解决现有技术存在的不足，本发明的目的是提供了一种基于机器学习技术的线圈设计方法。

本发明受到梯度线圈设计的启发，将计算机算法与线圈设计的理论模型结合给出一个能普遍适用且易上手的设计方法。本发明所述的设计方法设计的线圈能够产生高均匀度磁场，在考虑实际应用的限制下为线圈设计提供更为普适且易于使用的方案，能够在量子精密测量以及量子通信中更好地提高技术水平。

本发明提供了一种基于机器学习的线圈设计方法，所述方法包括步骤：

步骤一、从麦克斯韦方程组出发，得到磁场的表达式，作为理论模型，通过离散化区域计算特定区域的磁场不均匀度；

步骤二、通过选取每一对同轴线圈在电路板中的位置作为参数，设置好最大迭代次数，并根据电路板大小限定参数的范围，选择差分进化算法作为训练数据提供算法，神经网络作为建模的机器学习算法；

步骤三、将差分进化算法与人工神经网络结合，由差分进化算法辅助探寻最优解所在邻域，神经网络构建代理模型，并由L-BFGS算法探寻最小值，加速优化算法的收敛过程；

步骤四、算法给出最佳预测参数，参数对应的是每一对同轴线圈在柔性电路板上的位置，根据得到的参数可以构建线圈系统。

本发明所述最佳预测参数的目标函数为磁场不均匀度，所优化的参数是每一对同轴线圈在电路板上的位置参数并限定好范围，机器学习算法在优化初始阶段，由差分进化算法在参数空间搜寻参数，并输入理论模型进行评估，将得到的结果反馈给神经网络进行训练；如果最大迭代次数没到或者目标优化结果没有达到预期，将继续优化过程，每四次迭代，神经网络做出一次预测，预测结果由差分进化算法给出，所有的反馈结果都会加入训练数据集，以对神经网络进一步训练，得到更好的预测结果，直到满足预设的需求或达到事先设置的最大迭代次数，并输出最优预测。本发明构建了由差分进化算法作为训练神经网络的数据提供者，神经网络负责建模进行预测的控制器，由两种算法共同组成了一种混合式机器学习优化算法，控制线圈设计的优化流程。

所述算法部分以基于Numpy和m-loop为框架搭建的Python代码作为各个计算模块。

其中，Python代码算法核心部分主要由以下计算包提供：

Numpy:用于科学计算，主要负责搭建理论模拟的计算模块；