基于边界解码器的电容静电分析逆向预测网络
机器学习
2024-12-03 v1 人工智能
计算工程、金融与科学
摘要
传统静电仿真方法基于网格， 将偏微分方程转化为代数方程组，并通过数值方法进行近似求解。这些方法耗时，且任何对初始条件或边界条件的变更都需要重新求解数值问题。较新的计算方法，如物理信息神经网络（PINN），同样需要在边界条件变化时重新训练。在本工作中，我们提出一种端到端的深度学习方法来建模边界条件的变化。该方法在长型空气填充电容器结构的测试问题上进行演示。我们将其与纯粹的深度学习（NN）和 PINN 进行比较。结果表明，在动态边界条件下，我们的方法在性能上显著优于 NN 和 PINN，同时保留其作为前向模型的全部能力。
引用
@article{arxiv.2412.00113,
title = {Boundary-Decoder network for inverse prediction of capacitor electrostatic analysis},
author = {Kart-Leong Lim and Rahul Dutta and Mihai Rotaru},
journal= {arXiv preprint arXiv:2412.00113},
year = {2024}
}