一场讨论会：换机器之前，先把账算清楚
周五下午，某高校电磁场与微波技术课题组的会议室里，一场关于采购工作站的讨论会开了快一个小时。
参会的是三个人：主持课题的周老师，课题里负责阵列天线仿真方向的博士生小罗，以及受邀来讲方案的工作站厂商工程师老魏。课题组现在的机器是六年前配的，跑小阵列还算顺畅，最近接了相控阵相关的课题之后，大家都感觉它有点力不从心了。
“我先问最实际的。”周老师把笔记本合上，”到底要花多少钱？”
“钱花在哪儿，取决于你算的东西有多大”
老魏没直接报价，而是反问了一句：”你们现在仿真，单元数大概什么量级？”
小罗说，单个天线单元或者八元以内的小阵列没问题，一旦组到六十四元以上、再扫几个频点，内存就报警。要是把天线装到载体上一起算，基本跑不动。
“这就对了。”老魏在白板上写下几行字，”阵列天线仿真的开销，大头在内存，显卡往后站。你们用的频域全波方法，比如矩量法，要把整个结构剖分成很多小单元，然后算一个稠密的阻抗矩阵。单元数翻倍，矩阵规模是平方关系涨上去的，内存占用跟着平方涨。到了大阵列，阻抗矩阵本身就要吃掉几百GB内存，这还没算求解过程的中间变量。”
“所以网上说的那种’普通台式机加块好显卡就能做电磁仿真’，对我们这个方向不成立？”小罗问。
“不成立。”老魏摇头，”时域方法比如FDTD，对内存友好一些，但计算步数多，时间换空间。频域方法省时间但吃内存。选哪条路，决定了钱该往哪儿花。”
这种”大阵列算不动”的困境，在公开学术文献里能找到现成的例子。西安电子科技大学天线与微波技术重点实验室的研究团队曾针对大型机载相控阵雷达天线的受扰问题，提出过一种基于并行核外高阶矩量法的区域分解法：把机载平台和相控阵分成两个区域，平台区域只需要计算一次、阻抗矩阵存进硬盘，之后每改变一次扫描角，只需要重新计算相控阵区域。这样做的好处，用论文里的话说，是能大幅降低大型机载问题的计算时间和存储需求。反过来看，连专门做这一方向的实验室都要靠”分区域、存硬盘”来腾挪，大型阵列仿真的计算压力可见一斑。
“CPU和显卡，到底哪个重要？”
“那我换个问法。”小罗把笔记本电脑转过来，屏幕上是他整理的软件清单，”HFSS、CST、FEKO都在用，还有自己写的阵列综合代码。CPU重要还是显卡重要？”
“看工作流。”老魏说，”你的活大概分三块。第一块是阵列综合，切比雪夫综合、遗传算法、凸优化这些，本质是反复扫参数，吃CPU多核，内存需求中等。第二块是波束赋形和方向图分析，比如做自适应波束形成、算扫描盲区，这部分计算量跟阵元数和扫描点数成正比，也是CPU的活。第三块才是全波验证，把综合出来的阵列放进电磁场求解器里跑，这时候前面说的内存瓶颈就来了。”
“显卡什么时候登场？”周老师问。
“时域求解器和大规模并行场景。”老魏解释，”CST的时域求解器、还有一些GPU加速的矩量法实现，能把计算的一部分搬到显卡上。但显卡救不了内存不够的问题——显存只有几十GB，装不下大阵列的阻抗矩阵，硬上反而处处受限。”
小罗点头：”跟我们体感一致。我们最近在做宽角扫描的课题，单元设计完组阵，方向图在扫描角变大之后全变了。导师说是互耦效应，每个单元的方向图在阵里跟单独测试时不一样，只能反复建模仿真。”
“这个反复，正是烧钱的地方。”老魏说，”每改一次馈电相位、每扫一个角度，都可能要重跑一遍全波仿真。这也是为什么我说，机器的速度直接决定课题的迭代速度。”
这一点在工程界也有印证。2026年1月有公开报道，西安电子科技大学科研团队基于中国工程院段宝岩院士提出的电子装备机电耦合基础理论，研制出一款高精度毫米波车载雷达天线。报道里提到，李娜教授团队攻克了毫米波雷达天线的波束倾斜与工作带宽两项核心技术，将波束倾斜误差降低了两个数量级，相关成果发表于天线领域期刊《IEEE Transactions on Antennas and Propagation》。车载毫米波雷达要在宽角扫描下稳定工作，天线波束倾斜一度是行业难题——这类问题的仿真验证，背后正是大量阵列级全波算例在支撑。
“会不会买完就过时？”
“最后一个问题。”周老师看向老魏，”这种设备，学院采购流程走一次不容易。会不会我们买回来两年，又跟不上需求了？”
“这就得看平台，不看单点配置。”老魏说，”电磁仿真对内存的胃口是持续增长的，十年前几十GB够用的题，今天可能要几百GB。所以平台要留足内存插槽和后续扩容空间。另外阵列仿真产生的数据——方向图、S参数、场分布——看着不大，攒几年也是海量，存储规划也得提前做。”
“还有使用方式。”小罗补了一句，”组里马上来的师弟师妹也要用，到时候一人一摊活，机器排队是常态。与其买一台顶到头，不如考虑一台主算力加合理分工。”
讨论到这儿，三个人基本达成一个共识：先把需求分层，再看机器。就在老魏准备展开配置方案之前，周老师提了一个新话题——他注意到组里的学生最近都在用AI工具查资料、写代码，有些涉及课题数据的内容，他不想让学生传到公网上的模型里。
这个话题，正好引出另一个绕不开的环节。
阵列设计遇上AI大模型本地部署
对天线课题组来说，AI大模型本地部署的实际意义，比想象中具体。
一是保密。阵列天线的仿真模型、指标参数、载体平台数据，很多来自涉密或敏感的横向课题，交给公网API不放心。本地部署意味着数据不出实验室。二是场景贴合。课题组日常有大量”轻知识活”：查馈电网络的设计规则、问某类阵列的经典文献结论、把仿真结果整理成报告初稿、生成MATLAB或Python处理脚本。这些事单看都是小事，加起来每天吃掉一两个小时。三是长期成本，十几个人高频使用，本地一次投入比按年续费API划算。
模型选型上，两类比较实用。日常问答和文献摘要，用Qwen3-14B（140亿参数）就够，Q4量化后模型本体约9GB，算上文档问答的KV cache，16GB显存跑起来从容，解码速度大约4060 tokens/s。要做方案论证类的深度推理，可以上DeepSeek-R1-Distill-Qwen-32B（320亿参数），Q4量化后约1922GB，24GB显存是起步线。如果偏好更新架构，Qwen3-30B-A3B这类MoE模型（总参数300亿、激活30亿）也值得关注，但MoE的显存按总参数量算，不按激活参数算，Q4下仍要按约17~19GB准备，省的是算力而不是显存。
估算口径很简单：
所需显存 ≈ 参数量(B) × 量化字节数 × 1.2
FP16占2字节、Q8占1字节、Q4占0.5字节，系数1.2是给KV cache和系统开销留的余量，上下文越长、并发越高，系数越大。量化越深显存越省，Q4的精度损失对文献问答、报告整理这类任务几乎无感，所以消费级部署默认选Q4，把省下的显存留给更长的上下文。
| 参数规模 | FP16 | Q8 | Q4 | Q4舒适档 |
|---|---|---|---|---|
| 14B | 约28GB | 约15GB | 约9GB | 16GB显存 |
| 32B | 约64GB | 约33GB | 约19~22GB | 24GB显存 |
| 70B | 约140GB | 约70GB | 约39~43GB | 48GB以上或双卡 |
速度上要有个量级概念：纯CPU内存推理只有个位数tokens/s，问一句等半分钟，实际没人愿意用；单卡GPU能到几十甚至上百tokens/s，才谈得上顺手。
最后是微调。用LoRA对14B模型做电磁领域适配——喂设计规范、历史仿真报告、测试纪要——显存增量约3~5GB，在推理机基础上就能做。全参数微调完全是另一回事，7B模型就要80GB以上显存。这个分水岭，决定了后面配置档位能往上探多少。
先把工具链捋顺
回到仿真本身。阵列天线方向常用的软件，算法路线不同，对硬件的偏好也不同。
Ansys HFSS 走频域有限元路线，是阵列单元设计和中小规模阵列验证的主流选择。它的阵列模块支持参数化建模和快速扫描，方向图的精度口碑好。有限元方法的内存需求随未知量数增长，大阵列同样需要大内存兜底。
CST Studio Suite 走时域有限积分路线，适合宽带问题、时域信号完整性分析，以及天线加载体的一体化仿真。时域求解器对GPU加速的支持比较积极，是”显卡派”的主战场。
Altair Feko 以矩量法见长，多层快速多极子算法让它在处理大平台、电大尺寸问题上有优势，做机载、舰载平台上天线的布局分析常用它。这类算法的内存和CPU核心数都很敏感。
MATLAB Phased Array System Toolbox 则是算法原型工具，阵列综合、波束形成、空间谱估计的快速验证都靠它，算得快、部署轻，是连接理论和全波仿真的桥梁。
工具没有绝对的高下，工作流里往往几样混用：MATLAB里验证算法思路，HFSS或CST里做全波确认，大平台问题交给Feko。机器配置要照顾到这条链上最吃资源的一环。
从原理落到配置：讨论会的最终共识
从算法原理到代码实现，中间隔的是编程能力；从代码实现到实际跑出结果，中间隔的往往就是硬件配置。讨论会开到后半段，三方的分歧其实只剩一个：预算往哪个档位靠。老魏的建议是按计算量从低到高分四档，每档对应一种典型的使用强度，课题组按自己的课题规模和经费状况对号入座就行。
方案A：阵列综合与中小阵列全波验证
适用场景：阵列综合算法开发、八元以内小阵列的单元设计与组阵验证、MATLAB算法原型、32B级本地AI助手部署。适合个人日常科研使用。
推荐机型：A350 15396-MCT
- 价格区间：7~8万
- CPU：Intel Core Ultra 7 265K（20核，8性能核全核5.3GHz+12能效核全核3.8GHz）（5.3GHz/3.8GHz为全核超频实测优化频率）
- GPU：RTX 5090 32G+水冷
- 内存：96GB DDR5
- 存储：4TB NVMe
- 显存带宽：1.79 TB/s
方案B：中等规模阵列的全波仿真与AI微调
适用场景：六十四元级阵列的频域全波仿真与扫描角分析、GPU加速求解、本地AI助手的LoRA领域微调，论文级算例的主力机型。
推荐机型：AX430 127128-MCA
- 价格区间：15~18万
- CPU：Xeon金牌6530（32核2.7GHz）（2.7GHz为全核超频实测优化频率）
- GPU：A100 80GB+水冷
- 内存：128GB DDR5
- 存储：4TB NVMe
- 显存带宽：2 TB/s
方案C：电大尺寸问题与时域频域混合负载
适用场景：阵列加载体的一体化仿真、宽带宽角扫描课题、时域频域混合求解、大内存多任务并行，适合攻坚大平台阵列问题的课题组。
推荐机型：AX450 132512-MCE
- 价格区间：35~40万
- CPU：Xeon 6952P（96核3.2GHz）+水冷（3.2GHz为全核超频实测优化频率）
- GPU：RTX 6000D 84GB+水冷
- 内存：512GB DDR5
- 系统盘：4TB NVME
- 数据盘：20TB SATA
- 显存带宽：1.57 TB/s
方案D：课题组共享与超大规模阵列计算
适用场景：超大阵列、超材料阵列的全波扫描、仿真与AI助手并行跑的共享超算平台，适合整个课题组乃至多个课题组合用。
推荐机型：GX660M 235640-MD4A
- 价格区间：60~65万
- CPU：2×AMD霄龙75F3（64核3GHz+）（3GHz为全核超频实测优化频率）
- 图形卡：RTX A1000
- 计算卡：4块A100 80GB+水冷
- 内存：640GB DDR5
- 系统盘：4TB NVME
- 数据盘：20TB SATA
- 显存带宽：192.0 GB/s / 4×2 TB/s
“当时争论最激烈的是第二档和第三档。”老魏后来回忆说，”小罗想一步到位上共享平台，周老师觉得先把眼下课题跑顺更重要。最后妥协的结果是：按现在的课题规模买第二档，把升级路径写进采购论证里，真到了平台级需求再上第四档。”
FAQ
做阵列天线仿真，内存和显卡先保哪个？
先看内存。频域全波方法（矩量法、有限元）的内存占用随问题规模快速增长，大阵列的阻抗矩阵动辄上百GB，显存装不下这种量级的数据。显卡主要服务时域求解器和GPU加速算法。预算有限时，先把内存配到位，再考虑显卡。
笔记本能胜任哪部分工作？
阵列综合、波束赋形算法、MATLAB原型，这些轻量计算笔记本可以胜任。全波仿真不建议在笔记本上跑，散热和内存都撑不住长时间求解，还容易中途崩溃丢结果。
HFSS和CST先学哪个？
看课题。偏单元设计、中小阵列、精度导向，从HFSS入手；偏宽带、时域、整机一体化，从CST入手。很多课题组两个都装，按问题性质切换。
阵列规模多大开始需要GPU加速？
没有一个固定门槛，取决于算法路线。时域方法在中等规模就能从GPU获益；频域矩量法受内存容量限制更大，GPU加速的适用面窄一些。如果课题里频繁出现”天线装到平台上一起算”的场景，尽早考虑带GPU加速能力的配置。
本地大模型能替代电磁仿真软件吗？
替代不了。大模型擅长的是知识问答、报告整理、代码辅助这类文字和推理工作，电磁场的精确求解必须靠数值方法。两者是互补关系：AI帮你把设计和分析的前期工作提速，仿真软件负责给出可信的定量结果。
一台工作站几个人用合适？
看计算类型。以算法开发和轻量仿真为主，三到四个人共用可行；以全波仿真为主，一到两个人比较合适，因为大算例一跑就是几十小时，排队体验很差。共享需求强的话，直接考虑方案D这类共享平台，比一人一台中端机更划算。
结语
散会前，周老师把白板上的数字圈了出来：”今天讨论最多的是钱怎么花。其实换个算法看，一台机器把课题的迭代周期从两周压到三天，一届学生省下多少时间，这笔账很好算。”
小罗在旁边补了一句：”那我下周就把方案B的配置清单整理出来？”
“整理吧。”周老师点头，”记得把AI本地部署的需求也写进去——这个以后是标配。”
如果您有任何配置疑问欢迎加微信沟通~
微信号：maxftxwx
fuyiqin@xasun.com
