Core Concepts
物理情報を利用した新しい損失関数を設計し、MA-APNN法で時間依存性のある線形放射輸送方程式を解決する。
Abstract
物理情報を利用したニューラルネットワーク(PINNs)フレームワークを使用して、時間依存性のある線形放射輸送方程式(LRTEs)を解決するために、マクロスコピック補助漸近保存ニューラルネットワーク(MA-APNN)手法が開発されました。この手法は、元の転送方程式から導かれたマクロスコピック補助方程式を組み込んだ新しい適応的指数加重漸近保存(AP)損失関数を設計します。この手法は、初期データ、境界条件、および保存則が損失の正則化項として機能し、MA-APNNsの有効性を示すいくつかの数値例も提示されます。
Stats
ε = 10^-8
λg = 1, λi = 1000, λb = 1, λc = 0
ニューロン数: [3,40,40,40,40,1]
学習率: 0.001
活性化関数: tanhx
最適化アルゴリズム: Adam
Quotes
"Efficient computational methods that can deal with high dimensionality and multi-scale characteristics are highly desirable."
"In recent years, deep learning methods and deep neural networks (DNNs) have been developed vigorously and achieved some success in solving PDEs."
"The PINNs, Model-Operator-Data Network (MOD-Net), and Physics-Informed DeepONets (PIDONs) have been applied to solve steady and unsteady linear radiative transfer models."