論文の概要: Identifying the Shear Piezoelectric Coefficient using Physics-Informed Neural Networks under Exact Boundary and Initial Constraints
- arxiv url: http://arxiv.org/abs/2611.03485v1
- Date: Mon, 02 Nov 2026 17:28:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 04:18:00.468893
- Title: Identifying the Shear Piezoelectric Coefficient using Physics-Informed Neural Networks under Exact Boundary and Initial Constraints
- Title（参考訳）: 厳密な境界および初期制約下での物理インフォームニューラルネットワークによるせん断圧電係数の同定
- Abstract要約: せん断圧電係数$e_15$は、圧電マイクロ加工超音波トランスデューサ(PMUT)および表面超音波(SAW)デバイスにおけるせん断モード電気機械結合を制御している。
制約付き物理インフォームドニューラルネットワークを用いて,雑音波観測からe_15$を回収する。
- 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: The shear piezoelectric coefficient $e_{15}$ governs the shear-mode electromechanical coupling in piezoelectric micromachined ultrasonic transducers (PMUTs) and surface acoustic wave (SAW) devices, but measuring it typically requires destructive resonance testing on dedicated specimens. On simulated data, $e_{15}$ can instead be recovered non-destructively from sparse, noisy subsurface wavefield observations using a constrained physics-informed neural network (PINN). By building exact spatial distance functions and temporal multipliers directly into the network output, the clamped, grounded boundaries and resting initial state hold automatically, leaving the loss with only the interior equations of coupled electro-elastodynamics and the data misfit. Non-dimensional scaling brings all governing coefficients within one decade of O(1), and the setup removes the boundary and initial-condition penalty weights that soft-constraint methods must tune. In a six-way comparison (plane-strain PZT-5H, manufactured wavefield, 30 dB noise), a soft-penalty baseline with adaptive weights converges to an erroneous $e_{15}$ in four of the five runs (51.7% mean error), and fixed penalties reach an error of 0.85% only after a second-order optimization stage. The constrained formulations reach mean $e_{15}$ errors between 0.15% and 0.51% with held-out displacement errors below 1%. Within these variants, the spatial multiplier gives rapid first-order convergence, and the quadratic temporal multiplier lowers the early-time electrostatic residual by a factor of 6.8 versus a linear one. On finite-element data along one subsurface line, the full formulation recovers $e_{15}$ with 1.19% mean error at 30 dB and keeps it between 0.65% and 2.71% across a 40 to 0 dB noise sweep. Finally, training on displacements alone still recovers $e_{15}$ with mean errors of 0.45% on finite-element and 1.64% on manufactured data.
- Abstract（参考訳）: せん断圧電係数$e_{15}$は、圧電マイクロ加工超音波トランスデューサ(PMUT)および表面音響波(SAW)デバイスにおけるせん断モード電気機械結合を制御しているが、通常は専用の試料上での破壊共鳴試験を必要とする。
シミュレーションデータでは、$e_{15}$は、制約された物理インフォームドニューラルネットワーク(PINN)を用いて、スパースでノイズの多い地下波動観測から非破壊的に回収することができる。
正確な空間的距離関数と時間的乗算器をネットワーク出力に直接組み込むことにより、クランプ、接地境界、静止初期状態が自動的に保持され、結合した電気弾性力学の内部方程式とデータ不適合性のみに損失が残る。
非次元スケーリングはO(1)から10年以内に全ての支配係数をもたらし、ソフト制約法が調整しなければならない境界と初期条件のペナルティ重みを除去する。
6ウェイ比較(平面ひずみPZT-5H、製造波面30dBノイズ)では、適応重み付きソフトペナルティベースラインは5ランのうち4ラン(平均誤差51.7%)で誤って$e_{15}$に収束し、固定されたペナルティは2階最適化段階の後にのみ0.85%の誤差に達する。
制限された定式化は、0.15%から0.51%の誤差が$e_{15}$となり、1%未満の保留変位誤差が生じる。
これらの変種の中で、空間乗算器は高速な1次収束を与え、2次時間乗算器は6.8倍の時間静電残留率を持つ。
1つの地下線に沿った有限要素データについて、完全な定式化は平均誤差が1.19%の$e_{15}$を30dBで回収し、40から0dBのノイズスイープで0.65%から2.71%に維持する。
最後に、変位のトレーニングだけでは、有限要素の平均誤差が0.45%、製造データで1.64%のe_{15}$を回復する。
関連論文リスト
- TinyUDE: Solver-Free Universal Differential Equations on Microcontrollers via Lie-Taylor Jet Matching [0.0]
普遍微分方程式(UDEs)の訓練は、伝統的に数値ODEソルバによるバックプロパゲーションに依存している。
システム状態の第1および第2の時間微分に、ハイブリッドベクトル場を直接適合させる解法のないトレーニングフレームワークであるLie-Taylor jet matchingを提案する。
論文 参考訳（メタデータ） (2026-09-22T19:09:00Z) - A variational physics-informed graph neural network for heterogeneous solid mechanics [0.0]
本研究は, 実験場ではなく, 離散化によってコンフォーメーションを導出する, 変分・ラベルなし物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
論文 参考訳（メタデータ） (2026-09-10T02:02:32Z) - SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。
メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。
4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
論文 参考訳（メタデータ） (2026-08-29T21:34:47Z) - Constraint-Aware Physics-Informed Neural Networks for Static Shape Estimation of Co-Manipulative Continuum Robots [0.764671395172401]
本稿では、腱駆動型CCRの静的形状推定のための制約対応物理インフォームドニューラルネットワーク(PINN)を提案する。
140個のサンプルと50%のラベルノイズにより、PINNは相対的な構成誤差、平衡残基、閉鎖残基をそれぞれ67.88%、67.35%、88.06%削減する。
論文 参考訳（メタデータ） (2026-08-26T18:00:39Z) - PCGD: Physics-Guided Conditional Graph Diffusion for TCAD Device Simulation [9.52305650797911]
非構造化TCADメッシュ上で動作する物理誘導型条件付きグラフ拡散フレームワークPCGDを紹介する。
PCGDは静電場とキャリア密度場の結合を予測する。
剛体ドリフト拡散方程式の典型的な数値不安定性を回避できる。
論文 参考訳（メタデータ） (2026-06-28T08:40:41Z) - Derivative Informed Learning of Exchange-Correlation Functionals [46.44973075720396]
機械学習 (ML) Exchange-correlation (XC) 関数は、人間の設計した密度関数近似を置き換えることを目的としている。
我々は,B3LYP/def2-SVPターゲットを再現するために,$mathcalO(N4)$-scaling ML-XC関数を訓練したハイブリッド蒸留条件について検討した。
本稿では、参照ハイブリッド関数からの付加情報を含む損失であるデリバティブインフォームドXC-ロス(DI-Loss)を紹介する。
論文 参考訳（メタデータ） (2026-06-02T23:07:54Z) - Robust Physics Discovery from Highly Corrupted Data: A PINN Framework Applied to the Nonlinear Schrödinger Equation [0.0]
重騒音条件下でのNVIDIA Schrodinger Equation(LSEN)から物理パラメータを復元できるディープラーニングフレームワークを実証する。
相対誤差が0.2%未満の非線形係数ベータを500個のスパースサンプルデータポイントのみを用いて再構成する。
その結果,物理学に基づく正則化は高い測定の不確実性に対して有効なフィルタとして機能することが示唆された。
論文 参考訳（メタデータ） (2026-01-07T18:43:11Z) - Model-based Optimization of Superconducting Qubit Readout [59.992881941624965]
超伝導量子ビットに対するモデルベース読み出し最適化を実証する。
我々は,残共振器光子から500nsの終端長と最小限の過剰リセット誤差で,キュービット当たり1.5%の誤差を観測した。
この技術は数百のキュービットに拡張でき、エラー訂正コードや短期アプリケーションの性能を高めるために使用される。
論文 参考訳（メタデータ） (2023-08-03T23:30:56Z) - Precision measurement of the microwave dielectric loss of sapphire in
the quantum regime with parts-per-billion sensitivity [50.591267188664666]
誘電損失は、最先端の超伝導量子ビット寿命を制限することが知られている。
最近の実験は、バルク誘電体損失接地における1ビリオンあたりの部品100ドルという上限を示唆している。
我々は, バルク誘電体損失を10億ドル当たり5ドル分の感度で分離, 解消できる測定法を考案した。
論文 参考訳（メタデータ） (2022-06-29T00:14:11Z)
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。