本文提出了一种新的分布式并行电磁建模技术，以加快电磁结构的神经网络建模过程。现有的电磁建模技术通常需要反复改变微波器件的参数，驱动电磁模拟器以获得足够的训练和测试样本。随着电磁建模问题复杂性的增加，由于单台计算机的性能有限，传统技术在数据生成和训练方面的计算成本很高。我们的技术将分布式并行计算技术纳入神经网络建模。它使用消息传递接口（MPI）并行生成数据和训练神经网络模型。一个例子表明，我们的技术比传统技术更快，同时保持良好的模型精度。
Index Terms — Parallel, data generation, neural networks, EM
modeling, message passing interface (MPI).

Neural networks

提出了并行环境建模技术

一个典型的神经网络模型的开发包括
数据生成、
数据缩放、
神经网络模型的训练和测试。
我们提出的并行神经网络建模技术将并行处理纳入其中两个技术，即数据生成和神经网络模型训练。

提出了分布式并行电磁数据生成技术

一般来说，对电磁结构的神经网络建模的第一步是生成电磁数据用于训练和测试。数据可以用输入-输出样本对{（xk, dk)1,2，，k=⋅⋅⋅Φ}表示，其中xk表示包含微波器件/电路几何参数的输入向量，dk表示测量/仿真输出向量xk，Φ是训练和测试样本的总数。
设nc为所使用的计算机数量，np表示所有计算机上的处理器总数。并行电磁场数据生成过程可以归纳为以下五个步骤：
step1:初始化MPI环境，获取处理器数np和每个处理器ID，然后选择一个处理器作为主节点。
step2:主处理器从一个输入文件中读取输入样本{xk，k=1,2，…，Φ} ，然后将总的输入样本划分为np部分。然后，将它们发送到分布在nc计算机上的np处理器。

step3:所有从处理器从主计算机接收其子输入样本，然后驱动EM模拟器获得输出，{，1,2，…，} k i k = Φ j d，其中，Φi j是第j个计算机的第i个处理器上的子输入样本数。然后，所有从处理器将它们的模拟结果发送回主服务器。
step4:主处理器从，从处理器，获取所有仿真结果，建立总训练集和测试集
step5:并行数据生成结束