基于深度可微森林学习用于时域有限差分法的无分裂场完美匹配层
机器学习
2020-04-13 v1
摘要
本文基于深度可微森林，高效提出了一种用于时域有限差分（FDTD）法的替代性无分裂场吸收边界条件（ABC）计算方法。引入深度可微森林（DDF）模型，以在FDTD计算过程中替代传统的完美匹配层（PML）吸收边界条件。采用传统PML界面上的场分量数据来训练基于DDF的PML模型。DDF兼具树模型与神经网络的优点：其树结构便于对数值PML数据进行使用与解释，同时又具备如同神经网络般的完全可微性，可利用深度学习中的强大技术进行训练。因此，相较于传统PML实现，所提方法凭借仅涉及单层厚度边界层的新颖模型，能够大幅缩减FDTD物理域规模并降低FDTD计算复杂度。已通过数值仿真对所提方法的性能进行基准测试。数值结果表明，该方法不仅能轻松替代传统PML，还可集成至FDTD计算流程中，并具备令人满意的数值精度与FDTD兼容性。
引用
@article{arxiv.2004.04815,
title = {Learning Unsplit-field-based PML for the FDTD Method by Deep Differentiable Forest},
author = {Yingshi Chen and Naixing Feng},
journal= {arXiv preprint arXiv:2004.04815},
year = {2020}
}
备注
4 pages,2 figures. arXiv admin note: substantial text overlap with arXiv:2003.00223