Redes neuronales informadas por la física mejoradas por Gabor para simulaciones rápidas de campos de ondas acústicas

Área de la Ciencia:

• Física computacional
• Matemáticas aplicadas
• Modelado de propagación de ondas

Sus antecedentes:

• Las redes neuronales informadas por la física (PINNs) ofrecen un enfoque flexible y libre de malla para resolver ecuaciones diferenciales parciales.
• Los PINN tradicionales presentan un sesgo de baja frecuencia, lo que dificulta el rendimiento en las simulaciones de campo de ondas de alta frecuencia y limita la velocidad y la precisión de la convergencia.

Objetivo del estudio:

• Desarrollar un marco PINN novedoso y simplificado que mejore las simulaciones de campos de ondas de alta frecuencia.
• Mejorar la velocidad de convergencia, la precisión y la robustez de los PINN para resolver la ecuación dispersa de Helmholtz.

Principales métodos:

• Incorporación de funciones de base de Gabor explícitas y entrenables para capturar las oscilaciones del campo de onda.
• Redefinición de la tarea de la red para aprender un mapeo no lineal a un sistema de coordenadas Gabor personalizado, absorbiendo parámetros de Gabor en el mapeo aprendido.
• Formulación eficiente de la integración de la capa perfectamente emparejada (PML) con componentes de pérdida de valor real y expresión analítica del campo de onda de fondo.

Principales resultados:

• El PINN de Gabor propuesto demuestra una convergencia más rápida en comparación con los PINN tradicionales y los métodos anteriores basados en Gabor.
• Logró una mayor precisión y mejoró la robustez del diseño arquitectónico y la inicialización en experimentos numéricos.
• Captura efectivamente la naturaleza localizada y oscilante de los campos de ondas, superando el sesgo de baja frecuencia.

Conclusiones:

• El marco Gabor-PINN ofrece un enfoque más simple pero más efectivo al integrar la complejidad en la transformación de coordenadas aprendidas.
• Este método mejora la capacidad de los PINN para las simulaciones de campos de ondas de alta frecuencia, abordando las limitaciones de las técnicas existentes.
• La implementación disponible públicamente promueve la reproducibilidad y la investigación adicional en el aprendizaje automático basado en la física para los fenómenos de ondas.