对工程科研人员来说，理解机器学习最容易出现的误区，不是不会使用模型，而是把机器学习看成传统科学计算的另一种“更快求解器”。
例如，一个神经网络能够根据天线结构参数快速预测谐振频率，并不意味着它已经掌握了完整的Maxwell方程，也不意味着它可以无条件替代电磁求解器。
机器学习与传统电磁计算都能产生近似结果，但二者得到结果的方式、误差来源和可信性依据不同。理解这些区别，是判断AI在电磁工程中能做什么、不能做什么的基础。
一、传统电磁计算如何得到结果
传统电磁计算首先定义物理问题，包括几何结构、材料参数、激励方式、工作频率、边界条件和观测量。随后依据Maxwell方程、本构关系和边界条件建立连续数学模型，再通过有限元、矩量法或时域有限差分等方法进行数值离散和求解。
整体过程可以概括为：
物理对象与条件
↓
Maxwell方程、材料模型与边界条件
↓
数值离散
↓
代数方程或时间推进
↓
场、阻抗、散射参数或辐射特性这些数值方法采用的离散形式不同，但都受到明确物理模型和数值规则的约束。面对新的几何、材料或激励，求解器通常会针对当前问题重新离散或重新计算，而不是根据过去样本直接给出答案。
不过，从物理方程出发不等于得到绝对精确结果。连续问题必须经过建模、离散和有限精度计算，传统方法同样需要误差控制与结果验证。
二、机器学习如何得到结果
机器学习通常先定义具体任务，再利用样本建立输入到输出的近似映射。
例如，要根据天线结构预测谐振频率，可以定义：
输入 x：几何尺寸、材料参数、馈电位置
输出 y：谐振频率训练数据可以来自电磁仿真、实验测量或历史工程记录。模型训练通过不断调整参数，使预测值尽量接近样本中的真实输出：
定义输入与输出
↓
准备训练样本
↓
选择模型并优化参数
↓
形成输入输出近似映射
↓
对新输入进行预测训练完成后，模型通常不需要为每次预测重新生成网格或求解大型方程组，因此单次推理可能很快。但计算成本并没有消失，而是部分转移到了前期的数据生成、训练和验证阶段。
当同一类问题需要反复计算时，这种成本转换可能有价值；如果只求解少量问题，建立机器学习模型未必比直接使用传统求解器更经济。
三、二者最核心的区别
传统电磁计算与机器学习的区别，不应简单概括为“一个精确、一个近似”，也不只是“一个慢、一个快”。二者都会产生近似结果，关键差异在于近似是如何形成的。
传统电磁计算：
物理方程与边界条件
→ 数值离散
→ 针对当前问题求解
机器学习：
任务定义与训练数据
→ 参数优化
→ 利用已学映射进行预测传统方法的近似主要由物理建模和数值离散控制；机器学习的近似主要由数据、模型和训练过程控制。在物理模型、数值方法和适用条件成立的范围内，传统求解器通常具有比特定机器学习模型更广的任务适用基础；机器学习模型则往往主要覆盖训练任务、结构类型和参数范围。
但“物理方程驱动”和“数据驱动”也不是完全对立。传统模型中的材料参数可能来自实验，数值方法也需要数据验证；机器学习则可以使用仿真数据，并在模型或训练中加入物理约束。更准确的区别，是两类方法主要依靠什么机制产生结果、又需要什么证据证明结果可信。
四、误差来源与可信性依据不同
传统电磁计算的主要风险包括：
- 几何或材料建模不准确；
- 边界条件和激励设置不合理；
- 网格或基函数离散不足；
- 计算区域截断带来非物理影响；
- 迭代求解未充分收敛；
- 后处理或软件实现存在误差。
因此，传统结果需要通过网格收敛分析、稳定性检查、解析解或其他算法对照，以及实验验证等方式建立可信性。
机器学习模型的主要风险则包括：
- 训练数据没有覆盖实际应用范围；
- 应用数据与训练数据分布发生变化；
- 模型欠拟合或过拟合；
- 测试过程不独立或评价指标失真；
- 少数关键样本出现严重误差；
- 预测结果违反必要物理条件。
机器学习的可信性更多依赖数据质量、任务覆盖、对新样本的表现、评价设计和独立验证。这些问题将在后续章节分别展开，本节只需要建立一个基本判断：
两类方法都需要验证，但它们需要检查的证据并不相同。
当机器学习与传统求解器结合时，两套要求通常都不能省略。高质量仿真数据并不能自动保证训练出的模型可靠，较小的测试误差也不能代替必要的物理检查。
五、仿真数据不等于完整物理求解能力
假设高精度电磁求解器生成了大量样本，用于训练下面的模型：
天线结构参数
↓
神经网络
↓
预测谐振频率训练成功后，神经网络学到的是在给定任务和数据范围内，从结构参数到谐振频率的近似映射。这个映射包含了物理规律在训练样本中的结果，但不能仅凭预测准确，就认定模型获得了完整、通用的Maxwell方程求解能力。
如果把输出改为完整方向图，或者把有源天线问题改为外部入射波驱动的散射问题，输入、输出、激励和任务映射都发生了变化。原模型不能因为这些问题同属电磁学就直接适用。
因此，更准确的表述是：
神经网络可以学习特定电磁任务下的响应映射，但它的能力边界通常由任务定义和数据范围决定。
神经网络究竟学习了什么，将在第七节进一步讨论，这里不展开函数逼近和物理表示问题。
六、电磁工程中更合理的协同关系
在工程应用中，机器学习与传统电磁计算通常更适合协同，而不是简单替代。
例如，在一个需要反复评估大量相似天线结构的设计任务中，可以先用经过验证的求解器生成代表性数据，再训练代理模型进行快速筛选。代理模型排除明显不合适的方案后，关键候选仍由高精度求解器或实验验证。
传统求解器生成可信数据
↓
机器学习建立快速代理
↓
批量预测或筛选候选
↓
传统求解器或实验最终验证在这个流程中，机器学习替代的是明确范围内的重复计算环节，而不是获得了对任意电磁问题的通用求解能力。
类似地，机器学习还可以辅助初值选择、参数推荐或高成本子模块加速。但这些具体方向更适合在后续电磁工业软件专题中展开。本节只保留一个原则：
先明确机器学习嵌入哪个环节、适用范围是什么，再评价它是否真正降低成本或改善流程。
七、常见误区与认识修正
初步认识：
神经网络学习的是输入和输出之间的关系，而不是Maxwell方程，所以它与传统电磁计算完全不同，也不包含物理信息。
这个认识抓住了任务映射这一核心，但“完全不同”和“不包含物理信息”过于绝对。
如果训练数据来自符合Maxwell方程的高精度仿真，模型学到的映射中必然包含物理规律在特定条件下产生的结果。问题在于，这不等于模型显式获得了完整方程体系，也不保证它能够处理任意结构、激励、边界条件和输出任务。
同时，传统电磁计算本身也是近似计算。它需要把连续方程离散为有限规模的计算问题，也会受到物理建模、网格、截断和迭代误差影响。
更准确的认识是：
传统方法主要在物理方程和数值离散约束下重新求解当前问题；机器学习主要从数据中形成特定任务的近似映射。二者都可能有效，也都可能失效，但误差来源、适用边界和验证证据不同。
因此，不应笼统追问“AI能否替代电磁求解器”，而应说明它替代或辅助哪个环节、在什么范围内有效，以及关键结果如何验证。
八、本节小结
本节需要记住五点：
- 传统电磁计算以Maxwell方程、材料模型、边界条件和数值离散为基础；
- 机器学习通过数据和参数优化建立具体任务的输入输出映射；
- 两类方法都会产生近似结果，但误差来源和可信性依据不同；
- 仿真数据中包含物理规律的结果，不等于模型掌握了完整、通用的物理求解能力；
- 机器学习更适合在明确任务和范围内承担代理、辅助或加速作用，并保留必要的传统计算或实验验证。
理解这些区别后，下一个问题自然出现：
如果模型只是从有限样本中学习输入输出映射，它为什么能够用于没有参与训练的新样本？
这就是下一节要讨论的核心：泛化。