論文の概要: A Unified Physics-Informed Neural Network for Modeling Coupled Electro- and Elastodynamic Wave Propagation Using Three-Stage Loss Optimization

• arxiv url: http://arxiv.org/abs/2602.13811v1
• Date: Sat, 14 Feb 2026 14:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.436505
• Title: A Unified Physics-Informed Neural Network for Modeling Coupled Electro- and Elastodynamic Wave Propagation Using Three-Stage Loss Optimization
• Title（参考訳）: 3段階損失最適化を用いた結合型電気・弾性波伝搬モデリングのための統一物理インフォームニューラルネットワーク
• Authors: Suhas Suresh Bharadwaj, Reuben Thomas Thovelil,
• Abstract要約: 物理インフォームドニューラルネットワークは、偏微分方程式の形で物理法則をNNに直接統合する新しいアプローチをSciMLで提示する。 本研究は, 応力電荷形式における線形圧電特性をモデル化した1次元結合型電気・弾性流体系の解法におけるPINNの適用性について検討する。
• 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 present a novel approach in SciML that integrates physical laws in the form of partial differential equations directly into the NN through soft constraints in the loss function. This work studies the application of PINNs to solve a one dimensional coupled electro-elastodynamic system modeling linear piezoelectricity in stress-charge form, governed by elastodynamic and electrodynamic equations. Our simulation employs a feedforward architecture, mapping space-time coordinates to mechanical displacement and electric potential. Our PINN model achieved global relative L2 errors of 2.34 and 4.87 percent for displacement and electric potential respectively. The results validate PINNs as effective mesh free solvers for coupled time-dependent PDE systems, though challenges remain regarding error accumulation and stiffness in coupled eigenvalue systems.
• Abstract（参考訳）: 物理インフォームドニューラルネットワークは、損失関数のソフト制約を通じて、偏微分方程式の形で物理法則をNNに直接統合する新しいアプローチをSciMLで提示する。 本研究は, 応力電荷の線形圧電特性をモデル化した1次元結合型電気・弾性力学系へのPINNの適用について検討した。 シミュレーションでは、フィードフォワードアーキテクチャ、時空座標を機械的変位と電位にマッピングする。 PINNモデルでは, それぞれ2.34および4.87%の相対L2誤差が得られた。 その結果、PINNを結合時間依存型PDEシステムのための効果的なメッシュフリーソルバとして評価するが、結合固有値系における誤差の蓄積と剛性には疑問が残る。

関連論文リスト

• PTL-PINNs: Perturbation-Guided Transfer Learning with Physics- Informed Neural Networks for Nonlinear Systems [7.961515776672606]
  PINNのための摂動誘導型転送学習フレームワーク(PTL-PINN)を提案する。 PTL-PINNは閉形式式を用いて近似線形摂動系を解き、行列ベクトル乗算の時間的複雑さを高速に一般化する。 我々は,PTL-PINNが,最大1桁の計算速度で,様々なRunge-Kutta法に匹敵する精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-17T16:09:33Z)
• MENO: Hybrid Matrix Exponential-based Neural Operator for Stiff ODEs. Application to Thermochemical Kinetics [0.0]
  MENOは、通常の微分方程式の固いシステムを効率的に解くためのハイブリッドサロゲートモデリングフレームワークである。 MENOはそのアーキテクチャに直接支配方程式を埋め込んで、物理的な一貫性を保証する。 MENOは、訓練されたゼロ次元設定において2%未満の相対誤差を達成し、外挿多次元状態において良好な精度を維持する。
  論文  参考訳（メタデータ） (2025-07-18T19:41:52Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  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)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Physics-informed UNets for Discovering Hidden Elasticity in Heterogeneous Materials [0.0]
  弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。 完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T23:35:03Z)
• Error Analysis of Physics-Informed Neural Networks for Approximating Dynamic PDEs of Second Order in Time [1.123111111659464]
  物理インフォームドニューラルネットワーク(PINN)による2次動的偏微分方程式(PDE)の近似について検討する。 分析の結果,2つの隠れ層と$tanh$アクティベーション関数を持つフィードフォワードニューラルネットワークでは,トレーニング損失とトレーニングデータポイント数によって,解場のPINN近似誤差を効果的にバウンドすることができることがわかった。 本稿では, 波動方程式, Sine-Gordon 方程式, 線形エラストダイナミック方程式に対する新しい PINN アルゴリズムを用いた数値実験を行った。
  論文  参考訳（メタデータ） (2023-03-22T00:51:11Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)

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。