条件物理信息神经网络
机器学习
2021-10-04 v1 材料科学
摘要
我们引入条件 PINN（物理信息神经网络，physics informed neural networks）来估计一类特征值问题的解。PINN 的概念被扩展为不仅学习某一个特定微分方程的解，而且学习一类问题的解。我们通过估计永磁体的矫顽场来展示这一思想，该矫顽场依赖于局部缺陷的宽度和强度。当神经网络融入磁化反转的物理机制时，可以以无监督方式实现训练，无需生成带标签的训练数据。所给出的测试用例在过去已被严格研究，因此可与解析解进行详细且简便的比较。我们表明，单个深度神经网络能够学习一整类问题的偏微分方程的解。
引用
@article{arxiv.2104.02741,
title = {Conditional physics informed neural networks},
author = {Alexander Kovacs and Lukas Exl and Alexander Kornell and Johann Fischbacher and Markus Hovorka and Markus Gusenbauer and Leoni Breth and Harald Oezelt and Masao Yano and Noritsugu Sakuma and Akihito Kinoshita and Tetsuya Shoji and Akira Kato and Thomas Schrefl},
journal= {arXiv preprint arXiv:2104.02741},
year = {2021}
}
备注
18 pages, 11 figures