論文の概要: A Domain-adaptive Physics-informed Neural Network for Inverse Problems of Maxwell's Equations in Heterogeneous Media

• arxiv url: http://arxiv.org/abs/2308.06436v1
• Date: Sat, 12 Aug 2023 02:14:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 17:22:36.305941
• Title: A Domain-adaptive Physics-informed Neural Network for Inverse Problems of Maxwell's Equations in Heterogeneous Media
• Title（参考訳）: 不均一媒質におけるマクスウェル方程式の逆問題に対するドメイン適応物理学インフォームドニューラルネットワーク
• Authors: Shiyuan Piao, Hong Gu, Aina Wang, Pan Qin
• Abstract要約: ヘテロジニアスメディアにおけるマクスウェル方程式の逆問題を解決するために,ドメイン適応型PINN(da-PINN)を提案する。 まず,領域全体を複数のサブドメインに分解するメディアインタフェースの位置パラメータを提案する。さらに,電磁インタフェース条件を損失関数に組み込んで,インターフェース近傍での予測性能を向上させる。
• 参考スコア（独自算出の注目度）: 2.7787612306711367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maxwell's equations are a collection of coupled partial differential equations (PDEs) that, together with the Lorentz force law, constitute the basis of classical electromagnetism and electric circuits. Effectively solving Maxwell's equations is crucial in various fields, like electromagnetic scattering and antenna design optimization. Physics-informed neural networks (PINNs) have shown powerful ability in solving PDEs. However, PINNs still struggle to solve Maxwell's equations in heterogeneous media. To this end, we propose a domain-adaptive PINN (da-PINN) to solve inverse problems of Maxwell's equations in heterogeneous media. First, we propose a location parameter of media interface to decompose the whole domain into several sub-domains. Furthermore, the electromagnetic interface conditions are incorporated into a loss function to improve the prediction performance near the interface. Then, we propose a domain-adaptive training strategy for da-PINN. Finally, the effectiveness of da-PINN is verified with two case studies.
• Abstract（参考訳）: マクスウェルの方程式は結合偏微分方程式(PDE)の集合であり、ローレンツの力法則とともに古典的な電磁磁気学と電気回路の基礎を構成する。 マクスウェルの方程式を効果的に解くことは、電磁散乱やアンテナ設計の最適化など様々な分野で重要である。 物理インフォームドニューラルネットワーク(PINN)はPDEを解く強力な能力を示している。 しかし、PINNは、異種メディアにおけるマクスウェル方程式の解決に苦慮している。 そこで本研究では,マクスウェル方程式の逆問題を解くためのドメイン適応型ピン(da-pinn)を提案する。 まず,各ドメインを複数のサブドメインに分割するためのメディアインタフェースの位置パラメータを提案する。 さらに、電磁界界面条件を損失関数に組み込むことにより、界面近傍の予測性能を向上させる。 次に,da-pinnのドメイン適応トレーニング戦略を提案する。 最後に,da-PINNの有効性を2つのケーススタディで検証した。

関連論文リスト

• Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
  PINNは2+1次元非線形偏微分方程式の渦解の研究に用いられる。 保存法則(cPINN)、初期プロファイルの変形、および識別の解像度を改善するための摩擦アプローチを考察する。
  論文  参考訳（メタデータ） (2024-10-23T08:29:13Z)
• Non-overlapping, Schwarz-type Domain Decomposition Method for Physics and Equality Constrained Artificial Neural Networks [0.24578723416255746]
  一般化されたインタフェース条件を持つ非重複型シュワルツ型領域分解法を提案する。 提案手法は,各サブドメイン内の物理と等価性制約付き人工ニューラルネットワーク(PECANN)を用いている。 ドメイン分解法では、ポアソン方程式とヘルムホルツ方程式の両方の解を学ぶことができる。
  論文  参考訳（メタデータ） (2024-09-20T16:48:55Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• A mixed formulation for physics-informed neural networks as a potential solver for engineering problems in heterogeneous domains: comparison with finite element method [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、与えられた境界値問題の解を見つけることができる。 工学的問題における既存のPINNの性能を高めるために,有限要素法(FEM)からいくつかのアイデアを取り入れた。
  論文  参考訳（メタデータ） (2022-06-27T08:18:08Z)
• Physics-informed neural networks for solving parametric magnetostatic problems [0.45119235878273]
  本稿では,設計パラメータの関数として磁場応答を学習する物理インフォームドニューラルネットワークの能力について検討する。 我々は、深部ニューラルネットワーク(DNN)を用いて、磁場を空間の関数として表現し、合計10個のパラメータを表現している。
  論文  参考訳（メタデータ） (2022-02-08T18:12:26Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)
• Solving Allen-Cahn and Cahn-Hilliard Equations using the Adaptive Physics Informed Neural Networks [5.031093893882574]
  本稿では, ディープニューラルネットワークを用いて, アレン・カーン方程式とカーン・ヒリアード方程式の自動数値解法を設計することに焦点を当てる。 PINNの近似能力を高める様々な手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T03:49:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。