Buchumschlag

Physics-Informed Neural Networks for the Numerical Modeling of Steady-State and Transient Electromagnetic Problems with Discontinuous Media

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nohra, Michel, Dufour, Steven
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Coupling of the Finite Element Method with Physics Informed Neural Networks for the Multi-Fluid Flow Problem
von: Nohra, Michel, et al.
Veröffentlicht: (2024)

Approximating electromagnetic fields in discontinuous media using a single physics-informed neural network
von: Nohra, Michel, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Operator for Electromagnetic Inverse Scattering Problems
von: Dong, Q. C., et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks in Electromagnetic and Nanophotonic Design
von: Abdelraouf, Omar A. M., et al.
Veröffentlicht: (2025)

Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems
von: Zhou, Yuqing, et al.
Veröffentlicht: (2026)

Improving hp-Variational Physics-Informed Neural Networks for Steady-State Convection-Dominated Problems
von: Anandh, Thivin, et al.
Veröffentlicht: (2024)

Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Transient States to Control the Electromagnetic Response of Space-time Dispersive Media
von: Zapata-Cano, Pablo H., et al.
Veröffentlicht: (2024)

Examining the robustness of Physics-Informed Neural Networks to noise for Inverse Problems
von: Jekic, Aleksandra, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Network Approach for Surface Wave Propagation in Functionally Graded Magnetoelastic Layered Media
von: Diksha, et al.
Veröffentlicht: (2026)

Prediction of Steady-State Flow through Porous Media Using Machine Learning Models
von: Wang, Jinhong, et al.
Veröffentlicht: (2026)

A Tensor Network Framework for Lindbladian Spectra and Steady States
von: Westhoff, Philipp, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for microflows: Rarefied Gas Dynamics in Cylinder Arrays
von: Tucny, Jean-Michel, et al.
Veröffentlicht: (2025)

Quantum Orthogonal Separable Physics-Informed Neural Networks
von: Zanotta, Pietro, et al.
Veröffentlicht: (2025)

WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks
von: Walter, Linus, et al.
Veröffentlicht: (2025)

Error Analysis and Numerical Algorithm for PDE Approximation with Hidden-Layer Concatenated Physics Informed Neural Networks
von: Qian, Yianxia, et al.
Veröffentlicht: (2024)

Extremization to Fine Tune Physics Informed Neural Networks for Solving Boundary Value Problems
von: Thiruthummal, Abhiram Anand, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Dynamical Boundary Constraints
von: Martínez-Esteban, Andrés, et al.
Veröffentlicht: (2025)

Constrained Hamiltonian Systems and Physics-Informed Neural Networks: Hamilton-Dirac Neural Networks
von: Kaltsas, Dimitrios A.
Veröffentlicht: (2024)

Thermodynamic Networks: Harnessing Non-Equilibrium Steady States for Computation
von: Lipka-Bartosik, Patryk, et al.
Veröffentlicht: (2026)

Extended Physics Informed Neural Network for Hyperbolic Two-Phase Flow in Porous Media
von: Rehman, Saif Ur, et al.
Veröffentlicht: (2025)

Quantum Noise Tomography with Physics-Informed Neural Networks
von: Sulc, Antonin
Veröffentlicht: (2025)

Comparative Study of Bending Analysis using Physics-Informed Neural Networks and Numerical Dynamic Deflection in Perforated nanobeam
von: Garai, Ramanath, et al.
Veröffentlicht: (2026)

Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

Boundary-Informed Method of Lines for Physics Informed Neural Networks
von: Cederholm, Maximilian, et al.
Veröffentlicht: (2025)

Equation Discovery, Parametric Simulation, and Optimization Using the Physics-Informed Neural Network (PINN) Method for the Heat Conduction Problem
von: Ghaderi, Ehsan, et al.
Veröffentlicht: (2025)

NeuroPINNs: Neuroscience Inspired Physics Informed Neural Networks
von: Garg, Shailesh, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Systems for the Simulation of EUV Electromagnetic Wave Diffraction from a Lithography Mask
von: Es'kin, Vasiliy A., et al.
Veröffentlicht: (2026)

A Time-Domain Method of Auxiliary Sources for Analyzing Transient Electromagnetic Interactions with GSTC-Modeled Metasurfacess
von: Kouroublakis, Minas, et al.
Veröffentlicht: (2026)

Physics Informed Neural Networks for Free Shear Flows
von: Raghu, Siddharth, et al.
Veröffentlicht: (2024)

Statistical Learning Analysis of Physics-Informed Neural Networks
von: Barajas-Solano, David A.
Veröffentlicht: (2026)

Evidential Physics-Informed Neural Networks for Scientific Discovery
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Network for Elastic Wave-Mode Separation
von: Alves, E. A. B., et al.
Veröffentlicht: (2025)

DiffGrad for Physics-Informed Neural Networks
von: Rahman, Jamshaid Ul, et al.
Veröffentlicht: (2024)

Bayesian Reasoning for Physics Informed Neural Networks
von: Graczyk, Krzysztof M., et al.
Veröffentlicht: (2023)

On the Role of Consistency Between Physics and Data in Physics-Informed Neural Networks
von: Becerra-Zuniga, Nicolás, et al.
Veröffentlicht: (2026)

KP-PINNs: Kernel Packet Accelerated Physics Informed Neural Networks
von: Yang, Siyuan, et al.
Veröffentlicht: (2025)

Physics-Informed PointNets for Modeling Electromagnetic Scattering from All-Dielectric Metasurfaces with Inclined Nanopillars
von: Armbruster, Leon, et al.
Veröffentlicht: (2025)

Scalable Physics-Informed Neural Networks for Accelerating Electromagnetic Transient Stability Assessment
von: Nadal, Ignasi Ventura, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Network-Based Discovery of Hyperelastic Constitutive Models from Extremely Scarce Data
von: Moon, Hyeonbin, et al.
Veröffentlicht: (2025)