PINN模拟电磁过程，并可视化

原创已于 2024-12-31 11:46:27 修改 · 2.1k 阅读

33 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #人工智能 #数据结构 #算法 #神经网络 #深度学习 #pytorch

于 2024-12-31 11:35:06 首次发布

深度学习专栏收录该内容

12 篇文章

订阅专栏

使用 物理信息神经网络（PINN） 模拟电磁过程并进行可视化，涉及多个步骤，包括定义电磁方程、设计PINN模型、训练神经网络，以及最终的结果可视化。电磁过程通常由麦克斯韦方程组描述，PINN可以通过融合这些方程与数据来训练神经网络，最终得到电场、磁场等物理量的分布。

1. 电磁过程的基本方程：麦克斯韦方程组

麦克斯韦方程组描述了电磁场的行为，适用于各种电磁过程。它由四个方程组成：

高斯定律（电场）：
$\nabla \cdot \mathbf{E} = \frac{\rho}{\epsilon_0}$
其中， $E\mathbf{E}$ 是电场， $ρ\rho$ 是电荷密度， $ϵ0\epsilon_0$ 是电常数。
高斯定律（磁场）：
$\nabla \cdot \mathbf{B} = 0$
其中， $B\mathbf{B}$ 是磁场。
法拉第定律（电磁感应）：
$\nabla \times \mathbf{E} = -\frac{\partial \mathbf{B}}{\partial t}$
这表示时间变化的磁场会产生电场。
安培-麦克斯韦定律（磁场的产生）：
$\nabla \times \mathbf{B} = \mu_0 \mathbf{J} + \mu_0 \epsilon_0 \frac{\partial \mathbf{E}}{\partial t}$
其中， $J\mathbf{J}$ 是电流密度， $μ0\mu_0$ 是磁常数， $ϵ0\epsilon_0$ 是电常数。

2. PINN模拟电磁过程的步骤

2.1 定义电磁方程的物理损失

我们可以通过定义一个PINN来模拟电场和磁场的分布。在PINN的训练中，我们将麦克斯韦方程组中的偏微分方程（PDE）作为物理损失项，强制神经网络的输出满足这些方程。

示例方程：

假设我们考虑一维的电场和磁场的模拟：

电场的方程：
$\frac{\partial E}{\partial t} = - \frac{\partial B}{\partial x}$
磁场的方程：
$\frac{\partial B}{\partial t} = \mu_0 \epsilon_0 \frac{\partial E}{\partial x}$

这些方程可以通过网络的输出代入计算得到残差，然后用作训练的物理损失。

2.2 构建神经网络模型

你需要构建一个适当的神经网络架构来模拟电场和磁场。例如，我们可以使用一个简单的多层感知机（MLP）来作为网络结构。

import torch
import torch.nn as nn

class PINN(nn.Module):
    def __init__(self, layers):
        super(PINN, self).__init__()
        self.layers = nn.ModuleList()
        for i in range(len(layers) - 1):
            self.layers.append(nn.Linear(layers[i], layers[i+1]))
            nn.init.xavier_normal_(self.layers[i].weight)
    
    def forward(self, x, t):
        inputs = torch.cat((x, t), dim=1)  # x and t as input
        for layer in self.layers:
            inputs = torch.tanh(layer(inputs))
        return inputs

2.3 计算物理损失（偏微分方程的残差）

假设你有电场 $E (x, t)$ 和磁场 $B (x, t)$ ，你需要计算它们的空间和时间导数。

def compute_loss(model, x, t, mu_0, epsilon_0):
    # 计算电场和磁场
    E = model(x, t)[:, 0]  # 第1列为电场
    B = model(x, t)[:, 1]  # 第2列为磁场
    
    # 计算 E_t 和 B_t
    E_t = torch.autograd.grad(E, t, grad_outputs=torch.ones_like(E), create_graph=True)[0]
    B_t = torch.autograd.grad(B, t, grad_outputs=torch.ones_like(B), create_graph=True)[0]
    
    # 计算 E_x 和 B_x
    E_x = torch.autograd.grad(E, x, grad_outputs=torch.ones_like(E), create_graph=True)[0]
    B_x = torch.autograd.grad(B, x, grad_outputs=torch.ones_like(B), create_graph=True)[0]
    
    # 计算残差
    residual_E = E_t + B_x
    residual_B = B_t - mu_0 * epsilon_0 * E_x
    
    # 物理损失 = 残差平方和
    loss_E = torch.mean(residual_E**2)
    loss_B = torch.mean(residual_B**2)
    
    return loss_E + loss_B

2.4 训练神经网络

你可以使用常规的训练方法，通过反向传播来最小化损失函数。

# 初始化训练数据
x_train = torch.linspace(0, 1, 100, requires_grad=True).view(-1, 1)
t_train = torch.linspace(0, 1, 100, requires_grad=True).view(-1, 1)

# 定义神经网络
model = PINN([2, 50, 50, 2])  # 输入 (x, t)，输出 (E, B)

# 设置优化器
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

# 训练过程
for epoch in range(10000):
    optimizer.zero_grad()
    
    # 计算物理损失
    loss = compute_loss(model, x_train, t_train, mu_0=1, epsilon_0=1)
    
    # 反向传播
    loss.backward()
    optimizer.step()
    
    if epoch % 1000 == 0:
        print(f'Epoch [{epoch}], Loss: {loss.item()}')

3. 可视化结果

完成训练后，我们可以可视化电场 $E (x, t)$ 和磁场 $B (x, t)$ 的分布。你可以选择一些特定的 $t$ 值，并计算对应的电场和磁场。

3.1 使用Matplotlib进行可视化

import matplotlib.pyplot as plt
import numpy as np

# 生成空间和时间网格
x_grid = torch.linspace(0, 1, 100).view(-1, 1)
t_grid = torch.linspace(0, 1, 100).view(-1, 1)

# 计算电场和磁场
E_pred = model(x_grid, t_grid)[:, 0].detach().numpy()
B_pred = model(x_grid, t_grid)[:, 1].detach().numpy()

# 绘制电场和磁场图像
plt.figure(figsize=(12, 6))

# 电场
plt.subplot(1, 2, 1)
plt.plot(x_grid.numpy(), E_pred, label='Electric Field (E)')
plt.title("Electric Field E(x, t)")
plt.xlabel("x")
plt.ylabel("E(x, t)")
plt.legend()

# 磁场
plt.subplot(1, 2, 2)
plt.plot(x_grid.numpy(), B_pred, label='Magnetic Field (B)')
plt.title("Magnetic Field B(x, t)")
plt.xlabel("x")
plt.ylabel("B(x, t)")
plt.legend()

plt.tight_layout()
plt.show()

3.2 3D可视化

你可以使用 matplotlib 的 3D 绘图功能进行更复杂的可视化。

from mpl_toolkits.mplot3d import Axes3D

# 创建网格
X, T = np.meshgrid(x_grid.numpy(), t_grid.numpy())
E_grid = np.zeros_like(X)
B_grid = np.zeros_like(X)

# 填充电场和磁场数据
for i in range(len(x_grid)):
    for j in range(len(t_grid)):
        E_grid[i, j] = E_pred[i]
        B_grid[i, j] = B_pred[i]

# 创建图形
fig = plt.figure(figsize=(10, 6))

# 电场 3D 可视化
ax1 = fig.add_subplot(121, projection='3d')
ax1.plot_surface(X, T, E_grid, cmap='viridis')
ax1.set_title('Electric Field E(x, t)')
ax1.set_xlabel('x')
ax1.set_ylabel('t')
ax1.set_zlabel('E(x, t)')

# 磁场 3D 可视化
ax2 = fig.add_subplot(122, projection='3d')
ax2.plot_surface(X, T, B_grid, cmap='viridis')
ax2.set_title('Magnetic Field B(x, t)')
ax2.set_xlabel('x')
ax2.set