本文提出了一種新的分布式并行電磁建模技術，以加快電磁結構的神經網絡建模過程。現有的電磁建模技術通常需要反復改變微波器件的參數，驅動電磁模擬器以獲得足夠的訓練和測試樣本。隨著電磁建模問題復雜性的增加，由于單臺計算機的性能有限，傳統技術在數據生成和訓練方面的計算成本很高。我們的技術將分布式并行計算技術納入神經網絡建模。它使用消息傳遞接口（MPI）并行生成數據和訓練神經網絡模型。一個例子表明，我們的技術比傳統技術更快，同時保持良好的模型精度。
Index Terms — Parallel, data generation, neural networks, EM
modeling, message passing interface (MPI).

Neural networks

提出了并行環境建模技術

一個典型的神經網絡模型的開發包括
數據生成、
數據縮放、
神經網絡模型的訓練和測試。
我們提出的并行神經網絡建模技術將并行處理納入其中兩個技術，即數據生成和神經網絡模型訓練。

提出了分布式并行電磁數據生成技術

一般來說，對電磁結構的神經網絡建模的第一步是生成電磁數據用于訓練和測試。數據可以用輸入-輸出樣本對{（xk, dk)1,2，，k=???Φ}表示，其中xk表示包含微波器件/電路幾何參數的輸入向量，dk表示測量/仿真輸出向量xk，Φ是訓練和測試樣本的總數。
設nc為所使用的計算機數量，np表示所有計算機上的處理器總數。并行電磁場數據生成過程可以歸納為以下五個步驟：
step1:初始化MPI環境，獲取處理器數np和每個處理器ID，然后選擇一個處理器作為主節點。
step2:主處理器從一個輸入文件中讀取輸入樣本{xk，k=1,2，…，Φ} ，然后將總的輸入樣本劃分為np部分。然后，將它們發送到分布在nc計算機上的np處理器。

step3:所有從處理器從主計算機接收其子輸入樣本，然后驅動EM模擬器獲得輸出，{，1,2，…，} k i k = Φ j d，其中，Φi j是第j個計算機的第i個處理器上的子輸入樣本數。然后，所有從處理器將它們的模擬結果發送回主服務器。
step4:主處理器從，從處理器，獲取所有仿真結果，建立總訓練集和測試集
step5:并行數據生成結束