Generative AI for design and optimization of electromagnetic devices

The design and optimization of electromagnetic devices have traditionally relied on it- erative numerical methods and topology optimization techniques, often characterized by high computational costs and a limited ability to explore non-intuitive solutions. In recent years, Generative Artificial Intelligence has introduced a new design paradigm, providing tools capable of efficiently navigating high-dimensional design spaces and identifying innovative configurations that are difficult to discover using conventional approaches. Within this context, this thesis investigates the application of advanced deep learning architectures to automate and enhance geometric synthesis and opti- mization processes in computational electromagnetics. After a structured review of data-driven methodologies employed in electromagnetic design, two complementary families of approaches are examined. Forward design methods, including Physics-Informed Neural Networks (PINNs), Graph Neural Net- works (GNNs), Deep Operator Networks (DeepONets), and Fourier Neural Operators (FNOs), are analyzed for their ability to approximate physical behavior and accelerate traditional numerical solvers. Inverse design techniques, comprising Generative Ad- versarial Networks (GANs), Variational Autoencoders (VAEs), and Diffusion Models, are then investigated for their capacity to generate novel geometries directly from de- sired performance specifications. The experimental component focuses on a patch antenna design case study. A dedi- cated dataset was generated using a topology optimization framework implemented in MATLAB, configured under a volume fraction constraint and targeting the minimiza- tion of the radiation quality factor (Q-factor). Three generative architectures, GANs, VAEs, and Diffusion Models, were trained on this dataset and compared in terms of geometry quality, generalization capability, and sensitivity to training dataset size. To assess the ability of generative models to produce geometries with targeted electro- magnetic characteristics, the Diffusion Model was extended to a conditional formula- tion and compared against a Gaussian Process Regression (GPR) model, chosen as a probabilistic baseline for conditional generation. The results suggest that, within the constraints of the studied dataset, conditional Diffusion Models can serve as a viable and expressive framework for the automated exploration of high-performance electro- magnetic topologies, highlighting their potential as a foundation for future AI-assisted design methodologies.

La progettazione e l’ottimizzazione di dispositivi elettromagnetici si sono tradizional- mente basate su metodi numerici iterativi e tecniche di ottimizzazione topologica, spesso caratterizzati da elevati costi computazionali e da una limitata capacità di es- plorare soluzioni non intuitive. Negli ultimi anni, l’Intelligenza Artificiale Generativa ha introdotto un nuovo paradigma progettuale, fornendo strumenti in grado di nav- igare efficientemente spazi di design ad alta dimensionalità e di identificare configu- razioni innovative difficilmente individuabili con gli approcci convenzionali. In questo contesto, la presente tesi indaga l’applicazione di architetture di deep learning avan- zate per automatizzare e potenziare i processi di sintesi geometrica e ottimizzazione nell’elettromagnetismo computazionale. Dopo una rassegna strutturata delle metodologie data-driven impiegate nella proget- tazione elettromagnetica, vengono esaminate due famiglie complementari di approcci. I metodi di forward design, tra cui le Physics-Informed Neural Networks (PINNs), le Graph Neural Networks (GNNs), i Deep Operator Networks (DeepONets) e i Fourier Neural Operators (FNOs), sono analizzati per la loro capacità di approssimare il com- portamento fisico dei dispositivi e di accelerare i tradizionali solutori numerici. Le tecniche di inverse design, che comprendono le Generative Adversarial Networks (GANs), i Variational Autoencoders (VAEs) e i Modelli di Diffusione, vengono invece investigate per la loro capacità di generare nuove geometrie direttamente a partire dalle specifiche di prestazione desiderate. La componente sperimentale si concentra su un caso studio di progettazione di antenne a patch. Un dataset dedicato è stato generato tramite un framework di ottimizzazione topologica implementato in MATLAB, configurato sotto un vincolo sulla frazione vol- umetrica e con l’obiettivo di minimizzare il fattore di qualità di radiazione (Q-factor). Tre architetture generative, GAN, VAE e Modelli di Diffusione, sono state addestrate su questo dataset e confrontate in termini di qualità delle geometrie generate, capacità di generalizzazione e sensibilità alla dimensione del dataset di addestramento. Per valutare la capacità dei modelli generativi di produrre geometrie con caratteristiche elettromagnetiche mirate, il Modello di Diffusione è stato esteso a una formulazione condizionale e confrontato con un modello di Gaussian Process Regression (GPR), scelto come baseline probabilistico per la generazione condizionale. I risultati sug- geriscono che, nei limiti del dataset considerato, i Modelli di Diffusione condizionali possono costituire un framework efficace ed espressivo per l’esplorazione automatiz- zata di topologie elettromagnetiche ad alte prestazioni, evidenziando il loro potenziale come base per future metodologie di progettazione assistita dall’intelligenza artifi- ciale.