論文の概要: Inverse Modeling of Dielectric Response in Time Domain using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2505.02258v1
• Date: Mon, 28 Apr 2025 11:36:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.514379
• Title: Inverse Modeling of Dielectric Response in Time Domain using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた時間領域における誘電応答の逆モデリング
• Authors: Emir Esenov, Olof Hjortstam, Yuriy Serdyuk, Thomas Hammarström, Christian Häger,
• Abstract要約: 絶縁材料の誘電応答(DR)は、電気絶縁システムを設計し、HVデバイスの安全な運転条件を定義するための重要な入力情報である。 本稿では、並列RC回路を用いた時間領域におけるDRの逆モデリングにおける物理インフォームドニューラルネットワーク(PINN)の利用について検討する。
• 参考スコア（独自算出の注目度）: 1.680048515550978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dielectric response (DR) of insulating materials is key input information for designing electrical insulation systems and defining safe operating conditions of various HV devices. In dielectric materials, different polarization and conduction processes occur at different time scales, making it challenging to physically interpret raw measured data. To analyze DR measurement results, equivalent circuit models (ECMs) are commonly used, reducing the complexity of the physical system to a number of circuit elements that capture the dominant response. This paper examines the use of physics-informed neural networks (PINNs) for inverse modeling of DR in time domain using parallel RC circuits. To assess their performance, we test PINNs on synthetic data generated from analytical solutions of corresponding ECMs, incorporating Gaussian noise to simulate measurement errors. Our results show that PINNs are highly effective at solving well-conditioned inverse problems, accurately estimating up to five unknown RC parameters with minimal requirements on neural network size, training duration, and hyperparameter tuning. Furthermore, we extend the ECMs to incorporate temperature dependence and demonstrate that PINNs can accurately recover embedded, nonlinear temperature functions from noisy DR data sampled at different temperatures. This case study in modeling DR in time domain presents a solution with wide-ranging potential applications in disciplines relying on ECMs, utilizing the latest technology in machine learning for scientific computation.
• Abstract（参考訳）: 絶縁材料の誘電応答(DR)は、電気絶縁システムを設計し、様々なHVデバイスの安全な運転条件を定義するための重要な入力情報である。 誘電体材料では、異なる分極と伝導過程が異なる時間スケールで起こるため、生測データを物理的に解釈することは困難である。 DR測定結果を分析するために、等価回路モデル(ECM)が一般的に用いられ、物理系の複雑さを、支配的な応答を捉える多くの回路要素に還元する。 本稿では、並列RC回路を用いた時間領域におけるDRの逆モデリングにおける物理インフォームドニューラルネットワーク(PINN)の利用について検討する。 その性能を評価するため,対応するECMの分析解から生成した合成データに対してPINNを試験し,ガウス雑音を応用して測定誤差をシミュレートした。 その結果、PINNは、ニューラルネットワークのサイズ、トレーニング時間、ハイパーパラメータチューニングに最小限の条件で5つの未知のRCパラメータを正確に推定し、よく条件付き逆問題を解決するのに非常に効果的であることがわかった。 さらに, 温度依存性を組み込むためにECMを拡張し, PINNが異なる温度でサンプリングされたノイズDRデータから, 埋め込まれた非線形温度関数を正確に復元できることを実証した。 時間領域におけるDRのモデリングにおけるケーススタディでは、ECMに依存する分野において、科学的計算に機械学習の最新の技術を活用し、幅広い潜在的な応用のソリューションが提示される。

関連論文リスト

• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。 しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。 ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
  論文  参考訳（メタデータ） (2024-11-15T08:55:31Z)
• Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling [0.0]
  物理情報ニューラルネットワーク(PINN)は、物理法則を直接学習プロセスに組み込むことによって、有望なアプローチを提供する。 本稿では、PINNの実装に特化して設計されたDeepXDEフレームワークの機能と制限について説明する。 電流(ln(I))に対数変換を適用することにより,PINN予測の安定性と精度が著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-11-13T19:08:36Z)
• NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
  本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。 NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。 キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
  論文  参考訳（メタデータ） (2024-07-30T22:01:14Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic Mode Decomposition [1.933681537640272]
  半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。 複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。 本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
  論文  参考訳（メタデータ） (2020-08-27T18:21:46Z)

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。