論文の概要: PINNs for Electromagnetic Wave Propagation

• arxiv url: http://arxiv.org/abs/2512.23396v1
• Date: Mon, 29 Dec 2025 11:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.479305
• Title: PINNs for Electromagnetic Wave Propagation
• Title（参考訳）: 電磁波伝搬用PINN
• Authors: Nilufer K. Bulut,
• Abstract要約: 本研究は、ハイブリッドトレーニング戦略により、PINNを埋め込みDレベルの精度とエネルギーの整合性に近づけることを示した。 時間依存型PINNトレーニングにおける因果崩壊問題は、時間行進と因果重み付けによって解決される。 開発したPINNモデルでは、平均0.09%のNRMSE$と1.01%のL2$エラーで高いフィールド精度が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) are a methodology that aims to solve physical systems by directly embedding PDE constraints into the neural network training process. In electromagnetism, where well-established methodologies such as FDTD and FEM already exist, new methodologies are expected to provide clear advantages to be accepted. Despite their mesh-free nature and applicability to inverse problems, PINNs can exhibit deficiencies in terms of accuracy and energy metrics when compared to FDTD solutions. This study demonstrates hybrid training strategies can bring PINNs closer to FDTD-level accuracy and energy consistency. This study presents a hybrid methodology addressing common challenges in wave propagation scenarios. The causality collapse problem in time-dependent PINN training is addressed via time marching and causality-aware weighting. In order to mitigate the discontinuities that are introduced by time marching, a two-stage interface continuity loss is applied. In order to suppress loss accumulation, which is manifested as cumulative energy drift in electromagnetic waves, a local Poynting-based regularizer has been developed. In the developed PINN model, high field accuracy is achieved with an average 0.09\% $NRMSE$ and 1.01\% $L^2$ error over time. Energy conservation is achieved on the PINN side with only a 0.024\% relative energy mismatch in the 2D PEC cavity scenario. Training is performed without labeled field data, using only physics-based residual losses; FDTD is used solely for post-training evaluation. The results demonstrate that PINNs can achieve competitive results with FDTD in canonical electromagnetic examples and are a viable alternative.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(英: Physics-Informed Neural Networks, PINN)は、PDE制約を直接ニューラルネットワークトレーニングプロセスに埋め込むことによって、物理システムを解くことを目的とした方法論である。 FDTDやFEMのような確立された手法がすでに存在する電磁磁気学においては、新しい手法が受け入れられる明確な利点をもたらすことが期待されている。 メッシュのない性質と逆問題への適用性にもかかわらず、PINNはFDTDソリューションと比較して精度とエネルギーの指標の欠如を示すことができる。 本研究は、ハイブリッドトレーニング戦略により、PINNをFDTDレベルの精度とエネルギーの整合性に近づけることを示した。 本研究では,波動伝播シナリオにおける共通課題に対処するハイブリッド手法を提案する。 時間依存型PINNトレーニングにおける因果崩壊問題は、時間行進と因果重み付けによって解決される。 タイムマーキングによって導入された不連続性を緩和するために、2段階のインターフェース連続損失を適用する。 電磁波における累積エネルギードリフトとして表される損失蓄積を抑制するため, 局所的なポインティング型正則化器を開発した。 開発した PINN モデルでは、平均 0.09 % $NRMSE$ と 1.01 % $L^2$ の誤差で高磁場精度が得られる。 PINN側では2D PECキャビティシナリオにおけるエネルギーの相対的ミスマッチが0.024 %しか得られない。 FDTDは、物理に基づく残留損失のみを用いて、ラベル付きフィールドデータなしで訓練を行う。 これらの結果から, PINNはFDTDと競合しうることを示す。

関連論文リスト

• Neural PDE Solvers with Physics Constraints: A Comparative Study of PINNs, DRM, and WANs [1.131316248570352]
  部分方程式 (PDE) は、科学や工学にまたがるモデルを支えるが、解析解は非定型であり、古典的なメッシュベースの解法は高次元でコストがかかる。 この論文は、3つのメッシュフリーニューラルネットワークPDEソルバ、物理インフォームドニューラルネットワーク(PINN)、ディープリッツ法(DRM)、弱い敵ネットワーク(WAN)、ポアソン問題(最大5D)と1D/2Dにおける時間非依存シュラーオーディンガー方程式の統一的な比較を提示する。
  論文  参考訳（メタデータ） (2025-10-09T13:41:51Z)
• ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks [71.02216400133858]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)の解法において高い期待を得た 以前の研究では、PINNの伝播不良現象が観察された。 本稿では,伝播不良とその根本原因に関する公式かつ詳細な研究について述べる。
  論文  参考訳（メタデータ） (2025-02-02T13:56:38Z)
• Solving Oscillator Ordinary Differential Equations in the Time Domain with High Performance via Soft-constrained Physics-informed Neural Network with Small Data [0.6446246430600296]
  物理インフォームドニューラルネットワーク(PINN)は、物理情報と知識をネットワークトポロジや計算プロセスに組み込む。 本研究では,典型的な線形および非線形常微分方程式を解くために,ソフト制約PINN法の性能特性について検討する。
  論文  参考訳（メタデータ） (2024-08-19T13:02:06Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural Networks [56.35403810762512]
  イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。 本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
  論文  参考訳（メタデータ） (2023-02-01T04:22:59Z)
• FC-PINO: High Precision Physics-Informed Neural Operators via Fourier Continuation [60.706803227003995]
  FC-PINO(Fourier-Continuation-based PINO)アーキテクチャを導入し、PINOの精度と効率を非周期的および非滑らかなPDEに拡張する。 標準的なPINOは、非周期的および非滑らかなPDEを高い精度で、挑戦的なベンチマークで解くのに苦労していることを実証する。 対照的に、提案されたFC-PINOは、正確で堅牢でスケーラブルなソリューションを提供し、PINOの代替案よりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-11-29T06:37:54Z)
• Robust Learning of Physics Informed Neural Networks [2.86989372262348]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。 本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
  論文  参考訳（メタデータ） (2021-10-26T00:10:57Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)

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。