基于物理信息神经网络的无作用力中子星磁层建模

利用物理信息神经网络（PINNs）求解特定边值问题正作为一种传统方法的替代方案而日益流行。然而，视具体问题而定，它们可能计算代价高昂且潜在精度较低。如果PINNs能变得更加灵活和适应性强，其在真实世界物理问题上的功能可显著改善。为此，我们的工作探索了训练一个PINN以处理由有限个系数表示的通用边界条件和源项的思路，这些系数作为网络的附加输入引入。尽管该过程增加了维度且计算昂贵，但使用训练好的网络评估新的通用解要快得多。我们的结果表明PINN解相对准确、可靠且表现良好。我们将此思路应用于中子星内部与无作用力磁层相连的磁场演化这一天体物理场景。由于外部解需要椭圆求解器，在整个域上进行全局模拟求解该问题代价高昂。PINN的计算成本比用经典方法求解的类似情况低一个数量级以上。这些结果为未来将该问题（或类似问题）扩展到三维铺平了道路，在三维中广义边界条件的实现代价极高。