論文の概要: 3D Magnetic Field Reconstruction and Mapping with Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2605.25640v1
• Date: Mon, 25 May 2026 09:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.627825
• Title: 3D Magnetic Field Reconstruction and Mapping with 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による3次元磁界再構成とマッピング
• Authors: Haohan Yu, Zhanxu Hao, Bingzhi Li, Zejia Lu, Xiang Chen, Liang Li,
• Abstract要約: 本研究では,高精度3次元磁界マッピングのための高度な物理情報ニューラルネットワークフレームワークを提案する。 提案したPINNは、マクスウェル方程式を直接損失関数に統合し、分散自由条件とカール自由条件を強制する。 シミュレーションデータによる検証は,既存のPINNベンチマークの10倍の10～4ドルの再現精度を実現する。
• 参考スコア（独自算出の注目度）: 11.823793229327954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate reconstruction of magnetic fields in inaccessible regions is vital for many high-precision experiments in physics. Traditional methods, such as spherical harmonic expansion, often suffer from truncation errors that limit their precision. This study proposes an advanced Physics-Informed Neural Network (PINN) framework for high-precision 3D magnetic field mapping. Unlike conventional data-driven models, the proposed PINN integrates Maxwell's equations directly into the loss function, enforcing divergence-free and curl-free conditions across the entire domain. A key innovation is the inclusion of explicit physics-residual losses at measurement locations, ensuring rigorous physical consistency beyond random collocation sampling. Validation using simulated data achieves a reconstruction accuracy of $10^{-4}$, a tenfold improvement over existing PINN benchmarks. Furthermore, experimental validation using a custom coil assembly demonstrates robust reconstruction with sub-percent relative accuracy, reaching the $10^{-3}$ level under ambient conditions. This AI-driven methodology provides a robust, high-precision solution for field monitoring and measurement in complex experimental environments where direct sensor placement is restricted.
• Abstract（参考訳）: 到達不能領域における磁場の正確な再構成は、物理学における多くの高精度な実験において不可欠である。 球面高調波展開のような伝統的な手法は、しばしば精度を制限した切り裂き誤差に悩まされる。 本研究では,高精度3次元磁界マッピングのための高度な物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 従来のデータ駆動型モデルとは異なり、提案したPINNはマクスウェル方程式を直接損失関数に統合し、領域全体にばらつきのない、カールのない条件を強制する。 鍵となる革新は、測定位置における物理-残留損失を明示的に含み、ランダムなコロケーションサンプリングを超えた厳密な物理的整合性を確保することである。 シミュレーションデータによる検証は、既存のPINNベンチマークの10倍の改善である10^{-4}$の再構成精度を達成する。 さらに、カスタムコイルアセンブリを用いた実験的な検証により、比較的精度の低い頑健な再構成が示され、環境条件下では10^{-3}$レベルに達する。 このAI駆動の方法論は、直接センサー配置が制限された複雑な実験環境において、フィールド監視と測定のための堅牢で高精度なソリューションを提供する。

関連論文リスト

• Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation [3.697746606429496]
  本研究では,過渡表面温度測定から材料特性を定量的に再現する物理フレームワークを提案する。 NeFTYは、3次元微分場を厳密な数値解法によって最適化された連続神経場としてパラメータ化する。 提案手法は,高分解能3次元トモグラフィに必要なメモリ効率を維持しつつ,熱力学的法則をハード制約として適用する。
  論文  参考訳（メタデータ） (2026-03-11T17:59:42Z)
• Surrogate models for nuclear fusion with parametric Shallow Recurrent Decoder Networks: applications to magnetohydrodynamics [0.0]
  本研究では,MHD状態再構成のためのデータ駆動型フレームワークについて検討する。 SHREDは、スパース時系列測定からフルタイム状態を回復するために設計されたニューラルネットワークアーキテクチャである。 その結果, SHREDはトレーニングセットに含まれない磁場強度に対しても, 完全MHD状態を正確に再構成することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T11:43:39Z)
• Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction [8.953088273349499]
  物理情報ニューラルネットワーク(PINN)は、物理原理を機械学習モデルに統合する。 PINNは損失関数のみに物理原理を組み込むため、収束が遅くなり、安定性が最適化され、スペクトルバイアスが生じる。 この研究は、ニューラルネットワークアーキテクチャに直接追加の物理ガイダンスを統合するアーキテクチャ物理学組み込み(PE)-PINNを導入している。
  論文  参考訳（メタデータ） (2026-02-13T04:28:23Z)
• Deep Deterministic Nonlinear ICA via Total Correlation Minimization with Matrix-Based Entropy Functional [41.05541240448253]
  ブラインドソース分離、特に独立成分分析(ICA)は、様々な信号処理領域で広く利用されている。 本稿では、これらの制約に対処するために設計された新しいディープニューラルネットワークベースのフレームワークであるディープ決定論的非線形独立成分分析(DDICA)を提案する。 DDICAは, シミュレーション信号混合, ハイパースペクトル画像アンミックス, 一次受容野のモデリング, およびfMRIデータ解析など, 様々な応用で検証された。
  論文  参考訳（メタデータ） (2025-12-31T19:44:19Z)
• NeuralSSD: A Neural Solver for Signed Distance Surface Reconstruction [34.55776349064238]
  インプリシット法は、形状を正確に表現する能力と、トポロジカルな変化に対処する堅牢性のために好まれる。 本稿では,点雲情報の信頼性のバランスをとる新しいエネルギー方程式を提案する。 より優れた最適化結果を得るために,3次元情報を学習する新しい畳み込みネットワークを導入する。
  論文  参考訳（メタデータ） (2025-11-18T09:20:15Z)
• Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks [36.136619420474766]
  フルフィールド変位データからモデルキャリブレーションを行うためのパラメトリック物理インフォームドニューラルネットワーク(PINN)について検討した。 PINNの高速評価により、ほぼリアルタイムでキャリブレーションを行うことができる。
  論文  参考訳（メタデータ） (2024-05-28T16:02:11Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• 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。