大语言模型赋能天线逆向设计:从文献文档到仿真模型全自动实现-夜雨聆风

大语言模型赋能天线逆向设计:从文献文档到仿真模型全自动实现

课题组陈治锦同学的论文《LLM-Driven Inverse Design of Antenna from Documents》在中国微波周 IWS2026 的MVC竞赛中获得二等奖。

在天线研发领域，海量设计方案、结构参数与仿真经验都沉淀在学术论文、技术文献中。但长期以来，这些文献里的天线设计知识大多无法直接被仿真工具复用，想要复现一款文献天线，只能依靠人工逐字、逐图提取参数、手动几何建模，不仅耗时费力，还容易出现人为误差，成为天线研发效率提升的一大瓶颈。

传统机器学习虽已在天线逆向设计、优化领域得到广泛应用，但这类方法大多依赖结构化、机器可读的标准输入，比如参数向量、规整像素版图。面对论文里图文混杂、参数零散、图纸无标准化格式的非结构化文献，始终难以直接完成天线模型重建。

而大语言模型与多模态技术的兴起，为科学文献智能理解打开了新思路。不过将 LLM 应用到电磁建模中，仍存在不少现实难题：天线设计指标往往隐含在文字与插图中、分布零散；单纯依靠大模型生成设计方案，缺少电磁约束与仿真反馈，容易出现物理不合理、数值不稳定等问题。

针对这一行业痛点，本团队提出了DDAIM 文献驱动天线逆向建模框架，打造了一套从非结构化天线文献到可直接仿真天线模型的端到端全自动链路，真正实现电磁知识复用与天线设计流程自动化。

1. 三大核心流程，打通文献到仿真全链条

整套 DDAIM 框架逻辑清晰，分为多模态信息提取、轮廓优化几何重建、自动化电磁仿真闭环优化三大阶段，全程无需人工过多干预。

(1) 基于 LLM 的多模态信息精准提取

研究团队依托通义千问大模型，结合物理感知提示词工程搭建 LLM 智能代理。摒弃传统死板的正则匹配方式，通过思维链推理，打通论文文本、表格、插图之间的关联逻辑。

能够智能解析提取天线核心关键参数：介质基板介电常数、损耗正切、基板厚度、整体物理尺寸等；遇到图纸配色、材料命名模糊不清的情况，还能自动关联文字描述与图例说明完成歧义消解，把零散、隐含的文献知识，转化为后续建模可用的标准化结构化参数。

(2) 二维图纸到高精度几何模型重建

论文中的天线示意图多为普通像素图，直接使用无法满足电磁仿真求解器精度要求。框架先通过阈值分割、形态学滤波分离天线辐射贴片与背景；再采用图像修复算法，自动清除尺寸标注、文字注释等冗余干扰信息，得到纯净的天线结构二值掩码图。

为解决像素边界与连续几何模型的适配问题，团队引入B 样条拟合轮廓重建算法，对边界点进行参数化建模。同时设计复合损失函数，兼顾几何拟合偏差与轮廓平滑性，迭代优化控制点，避免电磁网格划分时出现数值奇异问题，让重建轮廓既贴合原图、又满足仿真几何要求。

(3) 自动化电磁仿真与闭环校验

完成几何建模与参数提取后，框架通过 API 脚本无缝对接 HFSS、CST 等商用电磁仿真软件。自动将优化后的二维轮廓拉伸为三维天线结构，匹配赋予基板材料电磁参数；自主设置仿真辐射边界、匹配层与激励端口，全自动执行全波仿真，输出 S 参数、远场辐射方向图等关键电磁性能指标，形成从文献解析到物理仿真验证的完整闭环。