BriefGPT - AI 论文速递
·
基于GPT-PINN神经网络的原则驱动参数化光纤模型
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了物理信息神经网络（PINNs）在学习一维和二维可饱和非线性薛定谔方程（SNLSE）中的应用。通过修改后的PINNs（mPINNs）方案，可以直接识别SNLSE的PT潜力函数。研究还比较了不同参数条件下的网络结构，结果表明建立的深度神经网络在一维和二维SNLSE中具有高准确性。同时，讨论了影响神经网络性能的因素，包括激活函数、网络结构和训练数据的大小。
🎯
关键要点
- 物理信息神经网络（PINNs）被扩展到学习一维和二维可饱和非线性薛定谔方程（SNLSE）。
- 研究了PT-对称潜力函数的数据驱动逆问题，提出了修改后的PINNs（mPINNs）方案。
- mPINNs方案能够直接识别一维和二维SNLSE的PT潜力函数。
- 通过比较不同参数条件下的网络结构，发现深度神经网络在一维和二维SNLSE中具有高准确性。
- 讨论了影响神经网络性能的因素，包括激活函数、网络结构和训练数据的大小。
- 对十二种不同的非线性激活函数进行了详细分析，得出选择激活函数可以获得更好效果的结论。
➡️
