ترجمه فارسی مقاله یادگیری ماشینی آگاه فیزیک برای به حداقل رساندن انرژی میکرومغناطیسی: تحولات الگوریتمی اخیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Physics aware machine learning for micromagnetic energy minimization: recent algorithmic developments
عنوان مقاله به فارسی یادگیری ماشینی آگاه فیزیک برای به حداقل رساندن انرژی میکرومغناطیسی: تحولات الگوریتمی اخیر
نویسندگان Sebastian Schaffer, Thomas Schrefl, Harald Oezelt, Norbert J Mauser, Lukas Exl
فرمت مقاله انگلیسی PDF
تعداد صفحات 39
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computational Physics,Machine Learning,فیزیک محاسباتی , یادگیری ماشین ,
توضیحات Submitted 19 September, 2024; originally announced September 2024. , Comments: 39 pages, 9 figures , MSC Class: 62P35; 68T07; 65Z05
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 39 صفحه ، 9 شکل ، کلاس MSC: 62P35 ؛68T07 ؛65Z05
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this work, we explore advanced machine learning techniques for minimizing Gibbs free energy in full 3D micromagnetic simulations. Building on Brown's bounds for magnetostatic self-energy, we revisit their application in the context of variational formulations of the transmission problems for the scalar and vector potential. To overcome the computational challenges posed by whole-space integrals, we reformulate these bounds on a finite domain, making the method more efficient and scalable for numerical simulation. Our approach utilizes an alternating optimization scheme for joint minimization of Brown's energy bounds and the Gibbs free energy. The Cayley transform is employed to rigorously enforce the unit norm constraint, while R-functions are used to impose essential boundary conditions in the computation of magnetostatic fields. Our results highlight the potential of mesh-free Physics-Informed Neural Networks (PINNs) and Extreme Learning Machines (ELMs) when integrated with hard constraints, providing highly accurate approximations. These methods exhibit competitive performance compared to traditional numerical approaches, showing significant promise in computing magnetostatic fields and the application for energy minimization, such as the computation of hysteresis curves. This work opens the path for future directions of research on more complex geometries, such as grain structure models, and the application to large scale problem settings which are intractable with traditional numerical methods.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما تکنیک های پیشرفته یادگیری ماشین را برای به حداقل رساندن انرژی رایگان گیبس در شبیه سازی کامل میکرومغناطیسی سه بعدی کشف می کنیم.با تکیه بر مرزهای براون برای خود انرژی مغناطیسی ، ما کاربرد آنها را در زمینه فرمولاسیون متنوع مشکلات انتقال برای پتانسیل مقیاس و بردار بررسی می کنیم.برای غلبه بر چالش های محاسباتی ناشی از انتگرال های کل فضای ، ما این مرزها را در یک دامنه محدود تغییر می دهیم و این روش را برای شبیه سازی عددی کارآمدتر و مقیاس پذیر می کنیم.رویکرد ما از یک طرح بهینه سازی متناوب برای به حداقل رساندن مفصل مرزهای انرژی براون و انرژی رایگان گیبس استفاده می کند.از تبدیل Cayley برای اجرای دقیق محدودیت هنجار واحد استفاده می شود ، در حالی که از عملکرد R برای تحمیل شرایط مرزی اساسی در محاسبه زمینه های مگنتوستاتیک استفاده می شود.نتایج ما پتانسیل شبکه های عصبی آگاه از فیزیک (PINN) و دستگاه های یادگیری شدید (ELMS) را هنگام ادغام با محدودیت های سخت برجسته می کند و تقریب های بسیار دقیقی را ارائه می دهد.این روشها عملکرد رقابتی را در مقایسه با رویکردهای عددی سنتی نشان می دهند ، و نوید قابل توجهی در محاسبه زمینه های مگنتوستاتیک و کاربرد به حداقل رساندن انرژی ، مانند محاسبه منحنی های هیسترزیس نشان می دهد.این کار مسیری را برای جهت های آینده تحقیق در مورد هندسه های پیچیده تر ، مانند مدل های ساختار دانه و کاربرد برای تنظیمات مشکل در مقیاس بزرگ که با روش های عددی سنتی قابل تحمل هستند ، باز می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.