摘要
由于电磁器件拓扑优化涉及非结构化有限元网格上的组合式开/关材料分布以及反复的麦克斯韦方程求解，其计算量极为庞大。本文提出了一种数据驱动框架GPRL-TO，通过三个协同组件同时解决上述两大难题。首先，图物理信息神经网络（G-PINN）将有限元网格重构为图结构，在嵌入磁准静态约束的条件下预测逐单元的磁通密度，相比有限元分析实现了两到三个数量级的加速。其次，作为本文的核心方法贡献，物理残差驱动的探索好奇心机制将麦克斯韦残差转化为强化学习智能体的内在奖励，引导探索方向朝向物理上不可靠的设计区域；该残差同时可作为代理模型可靠性的指示器。第三，采用带温度退火的Gumbel–Softmax松弛技术，使二值设计变量可微化，从而将离散的开/关决策松弛为由能量型设计灵敏度驱动的可参数化连续过程，这些灵敏度基于代理模型预测的场进行计算，而非伴随法求解。一种分层桥接预置细化策略固定了铁芯骨架以闭合磁路，并从结构上保证了可制造的多层隔离屏障。在同步磁阻电机转子上，G-PINN实现了9.51%的相对误差，分层优化使目标函数提升了16.7%，同时将显著性差异从接近零提升至显著水平。
