00 / AI-CEM FORSCHUNGSPROGRAMM
AI-CEM (AI-Driven Computational Electromagnetics) ist ein einzelnes Forschungsprogramm rund um einen vierschichtigen Stack. Diese Seite bündelt seine vier Phasen, die P1–P8-Publikationskette, die Stichwortringe, den Förderleiter und die 6-Kasten-Projektdoktrin. Publikationen, die miteinander sprechen; Schichten, die sich gegenseitig speisen; Ziele, die aufeinander folgen.
DIE 30-JAHRE-FORSCHUNGSFRAGE
Wie können KI und numerische Physik integriert werden, um elektromagnetische Vorwärts- und inverse Probleme schneller, genauer und autonomer zu lösen?
01 / PHASEN
Aufbau der mathematisch-numerischen Solver-Grundlage. P1–P3 liefern das differenzierbare FDTD-Rückgrat, die Graph+Gradient-Hybrid-Optimierung und das krümmungsbewusste inverse Design. P4–P5 ergänzen FNO/GNO und einen hybriden KI-Physik-Multi-Fidelity-Solver. P7 schließt mit einer realen Antennen-/HF-/6G-Komponente ab. P8 liefert einen Open-Source-Benchmark und ein Datenset.
FNO/GNO/PINO auf dem Weg zu einem EM-Foundation-Model. Die AI-CEM-Plattform: Datenset + Surrogate + Solver + Benchmark. MSCA PF Postdoc, TÜBİTAK 1001/3501, ERC Starting Grant. Beginn der türkischen Dozenten-Akte unter ÜAK 90516.
Aus einer Spezifikation (Frequenz, Gewinn, Bandbreite, Volumen) generiert das AI-CEM-System Topologie, simuliert, optimiert, quantifiziert Unsicherheit und prüft Fertigbarkeit. QuevaTech-Brücke in RF-Fingerprinting und EM-Verifikation. Dozentur (ÜAK 90516).
Quantum-Numerik (Maxwell-Hamiltonian-Simulation), KI-native Löser, offene Standards, Quantum-HPC-Hybridinfrastruktur und ein Spin-off. Die 30-Jahre-Forschungsfrage bleibt; die Antworten ändern sich.
02 / PUBLIKATIONSKETTE
JAX-basiertes differenzierbares FDTD. Gradientengenauigkeit vs analytisch. Konferenz: ICCEM / ACES. Erster akademischer Anker für differenzierbare Simulation.
Strukturelle/topologische Information kombiniert mit Gradient-Raffinement. Konvergenz- und Speedup-Gewinne. Konferenz: EuCAP / IEEE APS. Verankert numerische Optimierung.
Hessian-Vektor-Produkt, Newton-CG, Gauss-Newton, Quasi-Newton. Journal: TAP oder JCP. Kombiniert differenzierbare Simulation + numerische Optimierung.
Lerne den Operator aus FDTD-Daten. Gelegenheit für ein Felder-Review. Verankert neuronale Operatoren + Surrogate-Modellierung.
FNO liefert eine schnelle Vorhersage; hohe Unsicherheit löst die Full-Wave-Lösung aus; Ergebnisse trainieren die KI nach. Multi-Fidelity-Konzepte in der EM.
Graph + Operator + differenzierbarer Solver + Optimierung 2. Ordnung in einem Framework. Baut den vollen elektromagnetischen inversen Design-Fingerabdruck auf.
Entwirf eine reale Komponente, fertige sie, messe sie. Simulations-Messungs-Übereinstimmung. Verankert Antennenentwurf / Mikrowelle / 6G.
AI-CEM-Benchmark-Paket + offenes Datenset. Entscheidend für Zitationswachstum und den Community-Fingerabdruck.
03 / STICHWORT-FINGERABDRUCK
04 / FÖRDERLEITER
05 / 6-KASTEN-PROJEKTDOKTRIN
Ein Methodenschritt ohne messbaren Output ist ein Problem. Ein Output, der an kein Ziel anschließt, ist ebenfalls ein Problem. Diese sechs Kästen sind der Ehrlichkeitscheck für jedes Paper, jedes Dissertationskapitel und jeden Projektvorschlag.
Computational Electromagnetic Systems — 4 Schichten, ein vereintes Feld. Von den Maxwell-Gleichungen zum laufenden System.