用于电路分析的物理信息神经网络：介质材料建模中的应用
机器学习
2024-11-19 v1 材料科学
摘要
科学机器学习（SciML）代表了将机器学习（ML）与科学方法论相结合的重大进展。这一发展的前沿是物理信息神经网络（PINNs），它们通过将物理定律直接纳入学习过程，提供了一种有前景的方法，从而减少了对大量数据集的需求。然而，当数据有限或系统变得更复杂时，PINNs可能面临挑战，如不稳定性和难以准确拟合训练数据。本文探讨了DeepXDE框架（一种专门用于实现PINNs的工具）在解决与介电特性相关的正向和逆向问题中的能力与局限。利用RC电路模型表示高压直流（HVDC）系统中的介质材料，我们展示了PINNs在分析和改善系统性能方面的有效性。此外，我们表明对电流应用对数变换（ln(I)）显著增强了PINN预测的稳定性和准确性，特别是在数据稀疏或模型复杂的挑战性场景中。然而，在逆向模式下，我们在更复杂的长时域场景中估计电阻和电容等关键系统参数时面临挑战。这凸显了通过变换或其他方法改进PINNs以增强逆向问题性能的未来工作潜力。本文为希望在正向和逆向模式下使用PINNs（特别是在DeepXDE框架内）的人员提供了教学见解。
引用
@article{arxiv.2411.10483,
title = {Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling},
author = {Reyhaneh Taj},
journal= {arXiv preprint arXiv:2411.10483},
year = {2024}
}