مدلسازی پراکندگی امواج الکترومغناطیس با شبکه عصبی آگاه از فیزیک: یک رویکرد داده محور و فیزیک محور

در سال های اخیر شبکه های عصبی فیزیک محور (PINN) به عنوان جایگزینی نوین و کارآمد برای حل معادلات دیفرانسیل جزئی در مسائل الکترومغناطیسی مطرح شده اند. در این پژوهش یک چارچوب محاسباتی مبتنی بر PINN برای بازسازی میدان های الکترومغناطیسی در محیط های مختلف از جمله رسانای کامل الکتریکی (PEC)، محیط های دی الکتریک و ساختارهای چندلایه طراحی و پیاده سازی شده است. مدل پیشنهادی با ترکیب بهینه سازهای Adam و L-BFGS و بهره گیری از مکانیزم های وزن دهی تطبیقی (GradNorm) بر چالش های همگرایی و ناپیوستگی در مرزهای مواد غلبه می کند. نتایج عددی نشان می دهد که این روش قادر است میدان ها را با دقت بسیار بالا، به گونه ای که خطای میانگین مربعات (MSE) در مرتبه ۱۰^-۴ و خطای نسبی در تمامی سناریوها کمتر از ۴٪ باشد، بازسازی نماید. تحلیل های آماری تکرارپذیری، پایداری و دقت بالای مدل را در مقایسه با روش های عددی کلاسیک مانند المان محدود (FEM) تایید می کنند. یافته های این مطالعه ضمن اثبات کارایی PINN در حل مسائل مستقیم و معکوس الکترومغناطیسی، پتانسیل بالای این رویکرد را برای کاربردهای نیازمند سرعت محاسباتی بالا (Real-time) و مدل سازی هندسه های پیچیده نشان می دهد.