物理启发式深度学习在求解具有大温度非平衡的声子玻尔兹曼输运方程中的应用
摘要：用于建模多尺度声子传输的声子玻尔兹曼输运方程（BTE）是微小集成电路热管理的关键工具，但通常会对系统温度（即小温度梯度）做出假设，以确保它能得到计算上的处理性。为了包含大温度非平衡的影响，我们展示了一种无数据的深度学习方案，即物理信息神经网络（PINN），用于求解具有任意温度梯度的定态、模式分辨声子BTE。该方案使用温度相关的声子弛豫时间，并在参数化空间中学习解，其中长度尺度和温度梯度被视为输入变量。数值实验表明，所提出的PINN可以准确预测任意温度梯度下的声子传输（从1D到3D）。此外，所提出的方案在高效模拟器件级声子传热方面表现出很大潜力，并可潜在用于热设计。
作者：Ruiyang Li, Jian-Xun Wang, Eungkyu Lee, and Tengfei Luo
论文ID：2201.04731
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-01-14