磁滞现象的神经算子建模

磁滞建模对于理解磁性器件行为、促进最优设计至关重要。以往的深度学习方法在泛化到新输入磁场方面面临挑战。本文通过提出用于建模表现出磁滞特性的本构定律的神经算子来解决泛化挑战，通过学习磁场之间的映射来实现。具体而言，采用三种神经算子——深度算子网络、傅里叶神经算子和小波神经算子——来预测新的第一阶反转曲线和次要循环，其中“新的”指模型训练时未使用的。此外，提出一种无速率的傅里叶神经算子，用于预测在不同于训练期间使用的抽样率下的材料响应，以纳入磁滞的无速率特性。所述数值实验表明，神经算子高效地对磁滞进行建模，在各种指标上均优于传统神经循环方法，并能泛化到新的磁场。这些发现突显了在不同磁力条件下使用神经算子进行磁滞建模的优势，强调了其在表征基于磁性材料的器件方面的重要性。本文相关代码已发布于 github.com/chandratue/magnetic_hysteresis_neural_operator。