使用生成对抗网络进行磁场预测
机器学习
2023-03-22 v1 计算物理
摘要
大量科学与现实应用建立在磁场及其特性之上。为获取高分辨率的宝贵磁场信息,需要进行广泛的场测量,这要么耗时,要么因物理约束甚至不可行。为缓解此问题,我们利用生成对抗网络(GAN)结构,从少量点测量预测空间中随机点的磁场值。该深度学习(DL)架构由两个神经网络组成:生成器预测给定磁场的缺失场值,判别器被训练以计算真实与生成磁场分布间的统计距离。通过最小化该统计距离、重构损失以及物理损失,我们的训练生成器已学会预测缺失场值,在单个相干场点区域缺失时中位重构测试误差为5.14%,在仅空间少数点测量可用且预测周围场测量时为5.86%。我们在实验验证的场上验证了结果。
引用
@article{arxiv.2203.07897,
title = {Magnetic Field Prediction Using Generative Adversarial Networks},
author = {Stefan Pollok and Nataniel Olden-Jørgensen and Peter Stanley Jørgensen and Rasmus Bjørk},
journal= {arXiv preprint arXiv:2203.07897},
year = {2023}
}
备注
10 pages, 12 figures