物理信息机器学习和杂散场计算在微磁能量最小化中的应用
摘要：用物理知识引导的神经网络（PINN）方法研究了完整的三维静态微磁场方程，用于连续磁化配置。PINN是无网格且无监督学习模型。在我们的方法中，我们可以通过一个具有附加条件参数（如交换长度）的低参数神经网络模型来学习最小化总Gibbs自由能。相比之下，传统的数值方法需要计算和存储大量的解来插值连续光谱的准最优磁化配置。我们还通过PINN方法考虑了重要且计算量昂贵的杂散场问题，其中我们使用了基本线性学习方法（称为极限学习机ELM）来处理标量势的分裂方法。这将杂散场训练减少到一个具有可预先计算解算器的线性最小二乘问题。我们通过与文献中的数值例子比较验证了杂散场方法，并通过NIST标准问题#3展示了完整的微磁场方法。
作者：Sebastian Schaffer, Thomas Schrefl, Harald Oezelt, Alexander Kovacs, Leoni Breth, Norbert J. Mauser, Dieter Suess, Lukas Exl
论文ID：2301.13508
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2023-05-17