شبکه های عصبی کولموگروف - آرنولد (KAN) در مسائل پراکندگی الکترومغناطیسی: مروری بر روش ها چالش ها و چشم اندازها

پراکندگی الکترومغناطیسی یکی از مسائل بنیادی در الکترومغناطیس محاسباتی است که نقش مهمی در تحلیل و طراحی سامانه های راداری، مخابراتی، متامتریال ها و فناوری های نوین ایفا می کند. پیچیدگی معادلات حاکم، وابستگی های غیرخطی و هزینه بالای روش های عددی کلاسیک، ضرورت استفاده از رویکردهای نوین مبتنی بر هوش مصنوعی را افزایش داده است. در این میان شبکه های عصبی کولموگروف-آرنولد (KAN) به عنوان معماری نوظهور یادگیری ماشین، با تکیه بر قضیه نمایش کولموگروف-آرنولد توانایی بالایی در تقریب توابع چند متغیره پیچیده و مدلسازی روابط غیرخطی از خود نشان داده اند. این مقاله با رویکرد مروری - تحلیلی به بررسی مبانی نظری معماری، کاربردها چالش ها و چشم اندازهای استفاده از KAN در مسائل پراکندگی الکترومغناطیسی می پردازد. نتایج بررسی نشان می دهد که KAN ها با استفاده از توابع قابل یادگیری روی یال ها نسبت به شبکه های عصبی سنتی از تفسیرپذیری بالاتر و کارایی بهتری در مدل سازی سیستم های پیچیده برخوردارند، همچنین قابلیت ادغام این شبکه ها با چارچوب های فیزیک مبنا مانند مدل های مبتنی بر معادلات ماکسول امکان افزایش دقت و کاهش وابستگی به داده های حجیم را فراهم می سازد. یافته ها حاکی از آن است که KAN ها در کاربردهایی مانند حل معادلات ماکسول، پیش بینی سطح مقطع راداری (RCS)، طراحی معکوس ساختارهای الکترومغناطیسی و مدلسازی متامتریال ها عملکرد امیدوارکننده ای دارند. با این حال چالش هایی نظیر پایداری آموزش، مقیاس پذیری و کمبود مطالعات تجربی گسترده همچنان پابرجاست. در مجموع KAN ها می توانند به عنوان یکی از رویکردهای نوین در توسعه مدل های هوشمند فیزیک مبنا در الکترومغناطیس محاسباتی نقش مهمی ایفا کنند.

کلیدواژه ها:

شبکه های کولموگروف آرنولد ، پراکندگی امواج الکترومغناطیسی ، الکترومغناطیس محاسباتی