論文の概要: Magnetic Hysteresis Modeling with Neural Operators

• arxiv url: http://arxiv.org/abs/2407.03261v2
• Date: Sun, 10 Nov 2024 14:36:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:03:04.776261
• Title: Magnetic Hysteresis Modeling with Neural Operators
• Title（参考訳）: ニューラル演算子を用いた磁気ヒステリシスモデリング
• Authors: Abhishek Chandra, Bram Daniels, Mitrofan Curti, Koen Tiels, Elena A. Lomonova,
• Abstract要約: 本稿では、磁場間のマッピングを学習することで、磁気ニューラル演算子を示す法則をモデル化するためのニューラル演算子を提案する。 3つのニューラル演算子-ディープ演算子ネットワーク、フーリエとウェーブレットのニューラル演算子は、新しい一階反転曲線とマイナーループを予測するために使用される。 磁場の速度非依存特性を組み込むために、トレーニング中に使用するものと異なるサンプリングレートで物質応答を予測するために、速度非依存ニューラル演算子を提案する。
• 参考スコア（独自算出の注目度）: 0.7817677116789855
• License:
• Abstract: Hysteresis modeling is crucial to comprehend the behavior of magnetic devices, facilitating optimal designs. Hitherto, deep learning-based methods employed to model hysteresis, face challenges in generalizing to novel input magnetic fields. This paper addresses the generalization challenge by proposing neural operators for modeling constitutive laws that exhibit magnetic hysteresis by learning a mapping between magnetic fields. In particular, three neural operators-deep operator network, Fourier neural operator, and wavelet neural operator-are employed to predict novel first-order reversal curves and minor loops, where novel means they are not used to train the model. In addition, a rate-independent Fourier neural operator is proposed to predict material responses at sampling rates different from those used during training to incorporate the rate-independent characteristics of magnetic hysteresis. The presented numerical experiments demonstrate that neural operators efficiently model magnetic hysteresis, outperforming the traditional neural recurrent methods on various metrics and generalizing to novel magnetic fields. The findings emphasize the advantages of using neural operators for modeling hysteresis under varying magnetic conditions, underscoring their importance in characterizing magnetic material based devices. The codes related to this paper are at github.com/chandratue/magnetic_hysteresis_neural_operator.
• Abstract（参考訳）: ヒステリシスモデリングは、磁気デバイスの振る舞いを理解するために重要であり、最適な設計を容易にする。 ヒステリシスをモデル化するための階層的深層学習に基づく手法は、新しい入力磁場への一般化における課題に直面している。 本稿では、磁場間のマッピングを学習することにより、磁気ヒステリシスを示す構成法則をモデル化するためのニューラルネットワークの提案により、一般化の課題に対処する。 特に、3つのニューラル演算子-ディープ演算子ネットワーク、フーリエニューラル演算子、ウェーブレットニューラル演算子は、新しい一階反転曲線とマイナーループを予測するために使用される。 さらに、磁気ヒステリシスの速度非依存特性を組み込むために、トレーニング中に使用するものと異なるサンプリングレートで物質応答を予測するために、速度非依存のフーリエニューラル演算子を提案する。 提案する数値実験により, ニューラル演算子は効率よく磁気ヒステリシスをモデル化し, 様々な測定値において従来のニューラルリカレント法より優れ, 新たな磁場への一般化を示す。 この知見は、様々な磁気条件下でヒステリシスをモデル化するために神経演算子を使用することの利点を強調し、磁気材料ベースのデバイスを特徴づけることの重要性を強調した。 本論文に関連するコードはgithub.com/chandratue/magnetic_hysteresis_neural_operatorにある。

関連論文リスト

• Neural Operators Learn the Local Physics of Magnetohydrodynamics [6.618373975988337]
  磁気流体力学(MHD)は、プラズマと導電性流体の力学を記述する上で重要な役割を果たしている。 最近の進歩は、従来の数値解析のための代理モデルとしてフーリエニューラル演算子(FNO)のようなニューラル演算子を導入している。 本研究では, 理想的なMHDの数値フラックスを近似するために, 修正されたフラックスフーリエニューラル演算子モデルについて検討する。
  論文  参考訳（メタデータ） (2024-04-24T17:48:38Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Machine-learned models for magnetic materials [0.0]
  多次元特性(測定を模倣する)で表される磁性物質は、神経オートエンコーダモデルを訓練するために使用される。 ニューラルモデルは、幅広い物質的挙動をカバーすることができる、合成的に生成された特徴の集合を捉えるように訓練されている。 周波数領域と電流領域(線外領域)領域の磁性物質を同時にモデル化する複雑な問題において,その有用性を証明する。
  論文  参考訳（メタデータ） (2023-12-29T20:47:04Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Neural oscillators for magnetic hysteresis modeling [0.7444373636055321]
  ヒステリシスは科学と工学においてユビキタスな現象である。 この現象をモデル化し定量化するために, 常微分方程式に基づくリカレントニューラルネットワーク (RNN) 手法を開発した。
  論文  参考訳（メタデータ） (2023-08-23T08:41:24Z)
• A neural operator-based surrogate solver for free-form electromagnetic inverse design [0.0]
  我々は、電磁散乱問題に対する代理解法として、修正されたフーリエニューラル演算子を実装し、訓練する。 自由形完全3次元電磁散乱器の勾配型ナノフォトニクス逆設計への応用を実証する。
  論文  参考訳（メタデータ） (2023-02-04T07:56:18Z)
• Low-Resource Music Genre Classification with Cross-Modal Neural Model Reprogramming [129.4950757742912]
  ニューラルモデル再プログラミング(NMR)の概念に基づく低リソース(音楽)分類のための事前学習モデルを活用する新しい手法を提案する。 NMRは、凍結した事前学習モデルの入力を変更することにより、ソースドメインからターゲットドメインへの事前学習モデルの再取得を目指している。 実験結果から,大規模データセットに事前学習したニューラルモデルは,この再プログラミング手法を用いて,音楽ジャンルの分類に成功できることが示唆された。
  論文  参考訳（メタデータ） (2022-11-02T17:38:33Z)
• Neural Operator: Learning Maps Between Function Spaces [75.93843876663128]
  本稿では,無限次元関数空間間を写像する演算子,いわゆるニューラル演算子を学習するためのニューラルネットワークの一般化を提案する。 提案したニューラル作用素に対して普遍近似定理を証明し、任意の非線形連続作用素を近似することができることを示す。 ニューラル作用素に対する重要な応用は、偏微分方程式の解作用素に対する代理写像を学習することである。
  論文  参考訳（メタデータ） (2021-08-19T03:56:49Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation [1.4505273244528207]
  ドメイン壁-磁気トンネル接合(DW-MTJ)デバイスは、生物学的ニューロンの挙動を本質的に捉えることができることが示されている。 そこで本研究では,DW-MTJ人工ニューロンにおいて,3つの代替メカニズムを用いてエジラックス動作を実装可能であることを示す。
  論文  参考訳（メタデータ） (2021-01-08T16:50:29Z)
• Spin Entanglement and Magnetic Competition via Long-range Interactions in Spinor Quantum Optical Lattices [62.997667081978825]
  超低温物質中における空洞を介する長距離磁気相互作用と光学格子の効果について検討した。 競合シナリオを導入しながら,グローバルな相互作用がシステムの根底にある磁気特性を変化させていることが判明した。 これにより、量子情報目的のためのロバストなメカニズムの設計に向けた新しい選択肢が可能になる。
  論文  参考訳（メタデータ） (2020-11-16T08:03:44Z)

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。