用于前向、逆及耦合辐射传输问题的辅助物理信息神经网络
无序系统与神经网络
2024-05-15 v1
摘要
在本文中，我们开发并采用辅助物理信息神经网络（APINNs）来求解辐射传输理论（RTE）的前向、逆及耦合积分微分方程问题。具体而言，通过聚焦于由不同类型相函数描述的相关平板几何与散射介质，我们展示了所提出的 APINN 框架如何通过具有多个辅助变量的多输出神经网络（这些辅助变量与所考虑相函数的勒让德展开项相关联）来高效求解玻尔兹曼型传输方程。此外，我们展示了 APINN 在参与介质耦合辐射-传导问题中的成功应用，并发现了超出傅里叶热传导极限的显著温度分布。最后，我们求解了 Schwarzschild-Milne 积分方程的逆问题，并仅基于边界数据（类似于实验环境中常可获得的数据）反演了单次散射反照率。本工作显著扩展了物理信息神经网络在辐射传输问题中的现有能力，这些问题与复杂散射介质和光子结构的设计与理解相关，并在超材料、生物医学成像、热传输和半导体器件建模中具有应用。
引用
@article{arxiv.2307.05602,
title = {Auxiliary Physics-Informed Neural Networks for Forward, Inverse, and Coupled Radiative Transfer Problems},
author = {Roberto Riganti and Luca Dal Negro},
journal= {arXiv preprint arXiv:2307.05602},
year = {2024}
}