Physics-constrained 3D convolutional neural networks for electrodynamics

Autor:	Alexander Scheinker, Reeju Pokharel
Jazyk:	angličtina
Rok vydání:	2023
Předmět:	Physics QC1-999 Electronic computers. Computer science QA75.5-76.95
Zdroj:	APL Machine Learning, Vol 1, Iss 2, Pp 026109-026109-11 (2023)
Druh dokumentu:	article
ISSN:	2770-9019
DOI:	10.1063/5.0132433
Popis:	We present a physics-constrained neural network (PCNN) approach to solving Maxwell’s equations for the electromagnetic fields of intense relativistic charged particle beams. We create a 3D convolutional PCNN to map time-varying current and charge densities J(r, t) and ρ(r, t) to vector and scalar potentials A(r, t) and φ(r, t) from which we generate electromagnetic fields according to Maxwell’s equations: B = ∇ × A and E = −∇φ − ∂A/∂t. Our PCNNs satisfy hard constraints, such as ∇ · B = 0, by construction. Soft constraints push A and φ toward satisfying the Lorenz gauge.
Databáze:	Directory of Open Access Journals
Externí odkaz:	https://doaj.org/article/f21abe4daaf041578ae40bf41313eff0 Zobrazit plný text záznamu View record in DOAJ Plný text ve formátu PDF Plný text ve formátu HTML
Nepřihlášeným uživatelům se plný text nezobrazuje	K zobrazení výsledku je třeba se přihlásit.