电子产品世界

IEEE 电力电子学会（PELS）谷歌 - 特斯拉 MagNet 挑战赛是一项年度赛事，旨在利用人工智能（AI）加速磁性器件建模领域的创新。本文回顾 2023 年、2024 年前两届 MagNet 挑战赛的部分亮点。

首届赛事于 2023 年 2 月至 12 月举办，获奖名单于 2024 年 3 月公布。2025 年度 MagNet 挑战赛的获奖者将于 2026 年 3 月，在得克萨斯州圣安东尼奥举办的 IEEE 应用电力电子会议（APEC） 上揭晓。

2023 年首届 MagNet 挑战赛共有 39 支本科生与研究生队伍参赛。获胜队伍包括帕德博恩大学、福州大学、布里斯托大学、悉尼大学、代尔夫特理工大学、蒙德拉贡大学，印度科学学院（IISc）也获得特别表彰。

参赛队伍使用基于神经网络（NN）的机器学习（ML）模型，模型在大赛主办方提供的大型开源数据库上完成训练。首届赛事数据库包含超 50 万个数据点，现已扩充至覆盖 15 种不同材料、超过 200 万个数据点。

该数据库收录了电压、电流、磁通密度等多样化的真实测量数据，用于让模型学习非线性行为。大赛核心环节包括数据工程、模型开发与磁性设计工具（图 1）。

先进神经网络架构

参赛队伍使用的神经网络架构种类繁多。最小的模型仅用 60 个参数，部分模型则超过 1 万个参数。2023 年获奖方案中采用的 硬约束神经网络架构搜索（HardCoRe‑NAS） 是一种卷积神经网络，仅用 1755 个参数便实现了最优效果。

各队伍采用多种先进神经网络架构角逐比赛：

• 长短期记忆网络（LSTM）：用于处理磁通数据中的长期依赖关系；

• 基于 Transformer 的模型：凭借在序列建模上的高性能被广泛使用；

• 傅里叶神经算子（FNO）：用于实现函数空间之间的映射；

• 孪生神经网络：通过两个权值共享的相同子网络对比相似磁特性；

• 物理感知 AI：以无监督方式训练模型学习底层物理规律，而非单纯对特定数据点过拟合。

图 2 展示了部分参赛队伍使用的 4 层前馈神经网络（FNN）结构，包含三个输入（f、B、D）与一个输出（铁损 PV）。

• f：励磁频率；

• B：磁通密度，可通过材料磁导率计算 B‑H 磁滞回线；

• D：占空比，在高频变压器等应用的磁参数测量中至关重要，因其直接决定磁化时间，进而影响材料是否进入饱和。

对于图 2 这类前馈神经网络，隐藏层（蓝色）的结构与神经元数量可进一步优化；输入参数也可扩展至温度、直流偏置等因素。模型规模、复杂度与精度之间需要权衡。

公平竞赛环境

为保证赛事公平，大赛采用统一实验平台与电路结构生成数据库（图 3）：

• 系统使用标准化双绕组法进行磁性表征；

• 配备通用功率级，可生成任意励磁波形，如使用功率放大器产生正弦励磁、单相桥路输出 PWM 波形；

• 自动数据采集减少测量过程中的人为误差，为参赛队伍提供精准、一致的数据；

• 所有数据均在可控温度与磁材料环境下采集，确保不同数据点可直接对比。

评分标准

MagNet 挑战赛的评委与组委会成员每年略有变动。AI 模型需能够准确仿真复杂高频磁损耗与磁滞回线。

参赛作品依据机器学习模型预测功率磁芯损耗的精度与效率进行评分，评估重点包括：

• 铁损预测的 95 分位误差；

• 模型规模（参数数量）；

• 在不同材料与工况下的泛化能力。

总结

MagNet 挑战赛是一项开源研究计划，旨在推进功率磁性材料的数据驱动型机器学习建模。其核心目标是借助机器学习提升铁损预测精度、缩短设计优化周期，并构建标准化开源神经网络模型。

关键词： IEEE MagNet 人工智能 功率磁性 器件建模