Объединение принципа наименьшего действия и нейронных сетей, обученных физическим законам, для численного моделирования физических систем. В статье представлен унифицированный вычислительный фреймворк, объединяющий вариационные принципы и методы оптимизации для решения широкого спектра физических задач.
Сообщество
# математика
# нейронные сети
# физика
Использование сетей, обученных с учетом физических принципов (PINN), позволило успешно реконструировать динамику неконсервативных систем, таких как движение снаряда с линейным сопротивлением воздуха и затухающее маятниковое колебание, демонстрируя высокую степень соответствия между предсказаниями сети (отображены красным и оранжевым) и результатами численного моделирования (зеленым цветом), что подтверждает способность данного подхода к моделированию диссипативной динамики без непосредственного контроля.
Несмотря на фундаментальную роль вариационных принципов в физике, их преподавание зачастую ограничивается аналитическими подходами. В настоящей работе, ‘From Fermat’s Principle to Physics-Informed Neural Networks: A Unified Computational Approach to Variational Physics’, предложен новый, педагогически ориентированный и вычислительно усиленный подход, объединяющий современные методы оптимизации и нейронные сети, обученные физикой. Разработанная платформа позволяет решать широкий спектр задач — от классической механики до квантовых систем — переосмысливая вариационные принципы как задачи оптимизации. Не откроет ли это путь к более глубокому пониманию физических явлений и новым вычислительным методам в научных исследованиях?
