IEEE 電力電子學會（PELS）谷歌 - 特斯拉 MagNet 挑戰賽是一項年度賽事，旨在利用人工智能（AI）加速磁性器件建模領域的創新。本文回顧 2023 年、2024 年前兩屆 MagNet 挑戰賽的部分亮點。

首屆賽事于 2023 年 2 月至 12 月舉辦，獲獎名單于 2024 年 3 月公布。2025 年度 MagNet 挑戰賽的獲獎者將于 2026 年 3 月，在得克薩斯州圣安東尼奧舉辦的 IEEE 應用電力電子會議（APEC） 上揭曉。

2023 年首屆 MagNet 挑戰賽共有 39 支本科生與研究生隊伍參賽。獲勝隊伍包括帕德博恩大學、福州大學、布里斯托大學、悉尼大學、代爾夫特理工大學、蒙德拉貢大學，印度科學學院（IISc）也獲得特別表彰。

參賽隊伍使用基于神經網絡（NN）的機器學習（ML）模型，模型在大賽主辦方提供的大型開源數據庫上完成訓練。首屆賽事數據庫包含超 50 萬個數據點，現已擴充至覆蓋 15 種不同材料、超過 200 萬個數據點。

該數據庫收錄了電壓、電流、磁通密度等多樣化的真實測量數據，用于讓模型學習非線性行為。大賽核心環節包括數據工程、模型開發與磁性設計工具（圖 1）。

先進神經網絡架構

參賽隊伍使用的神經網絡架構種類繁多。最小的模型僅用 60 個參數，部分模型則超過 1 萬個參數。2023 年獲獎方案中采用的 硬約束神經網絡架構搜索（HardCoRe?NAS） 是一種卷積神經網絡，僅用 1755 個參數便實現了最優效果。

各隊伍采用多種先進神經網絡架構角逐比賽：

• 長短期記憶網絡（LSTM）：用于處理磁通數據中的長期依賴關系；

• 基于 Transformer 的模型：憑借在序列建模上的高性能被廣泛使用；

• 傅里葉神經算子（FNO）：用于實現函數空間之間的映射；

• 孿生神經網絡：通過兩個權值共享的相同子網絡對比相似磁特性；

• 物理感知 AI：以無監督方式訓練模型學習底層物理規律，而非單純對特定數據點過擬合。

圖 2 展示了部分參賽隊伍使用的 4 層前饋神經網絡（FNN）結構，包含三個輸入（f、B、D）與一個輸出（鐵損 PV）。

• f：勵磁頻率；

• B：磁通密度，可通過材料磁導率計算 B?H 磁滯回線；

• D：占空比，在高頻變壓器等應用的磁參數測量中至關重要，因其直接決定磁化時間，進而影響材料是否進入飽和。

對于圖 2 這類前饋神經網絡，隱藏層（藍色）的結構與神經元數量可進一步優化；輸入參數也可擴展至溫度、直流偏置等因素。模型規模、復雜度與精度之間需要權衡。

公平競賽環境

為保證賽事公平，大賽采用統一實驗平臺與電路結構生成數據庫（圖 3）：

• 系統使用標準化雙繞組法進行磁性表征；

• 配備通用功率級，可生成任意勵磁波形，如使用功率放大器產生正弦勵磁、單相橋路輸出 PWM 波形；

• 自動數據采集減少測量過程中的人為誤差，為參賽隊伍提供精準、一致的數據；

• 所有數據均在可控溫度與磁材料環境下采集，確保不同數據點可直接對比。

評分標準

MagNet 挑戰賽的評委與組委會成員每年略有變動。AI 模型需能夠準確仿真復雜高頻磁損耗與磁滯回線。

參賽作品依據機器學習模型預測功率磁芯損耗的精度與效率進行評分，評估重點包括：

• 鐵損預測的 95 分位誤差；

• 模型規模（參數數量）；

• 在不同材料與工況下的泛化能力。

總結

MagNet 挑戰賽是一項開源研究計劃，旨在推進功率磁性材料的數據驅動型機器學習建模。其核心目標是借助機器學習提升鐵損預測精度、縮短設計優化周期，并構建標準化開源神經網絡模型。