結合電気・弾性動的波を扱う統一物理情報ニューラルネットワーク（1D圧電）

AI/ML
結合電気・弾性動的波を扱う統一物理情報ニューラルネットワーク（1D圧電）

結合電気・弾性動的波を扱う統一物理情報ニューラルネットワーク（1D圧電）

1次元圧電モデルを用いて、電気と弾性の結合波動伝播を物理情報ニューラルネットワーク（PINN）で統一的に解くための実装リポジトリです。論文「A Unified Physics-Informed Neural Network for Modeling Coupled Electro- and Elastodynamic Wave Propagation Using 1D Piezoelectricity」のソースコードを収録し、方程式に基づく損失設計、初期境界条件の扱い、解析解との比較評価が可能な構成になっています。研究用途の再現・拡張に適したPython実装です。

https://github.com/suhasbharadwajx/A-Unified-Physics-Informed-Neural-Network-for-Modeling-Coupled-Electro--Elastodynamic-Wave

概要

本リポジトリは、1次元圧電体における電気場と弾性場の結合波動伝播を物理情報ニューラルネットワーク（PINN）でモデリングするための実装を収めています。論文で提案された統一的なPINNフレームワークを再現し、支配方程式（運動方程式とマクスウェル系に由来する方程式）の残差を学習損失に組み込むことで、観測データが乏しい状況下でも物理的一貫性を保った解を得られます。コアコードはPythonで記述され、解析解との比較、パラメータ設定、評価ルーチンが含まれているため、研究・教育目的の基盤実装として活用できます（約300字）。

GitHub

リポジトリの統計情報

  • スター数: 2
  • フォーク数: 0
  • ウォッチャー数: 2
  • コミット数: 13
  • ファイル数: 8
  • メインの言語: Python

主な特徴

  • 物理情報ニューラルネットワーク（PINN）を用いた電気・弾性波の結合モデル化。
  • 1D圧電方程式に基づく支配方程式残差を損失に組み込み、データ不足下での物理一貫性を保持。
  • 解析解との比較評価用スクリプトと設定ファイル（config.py）を同梱し、再現性に配慮。
  • 軽量なPython構成で研究・拡張が容易。

技術的なポイント

本実装の中心は、支配方程式の偏微分方程式（PDE）をニューラルネットワーク学習の損失に直接組み込むPINNアプローチです。1D圧電系では変位と電位（または電場）という二つの場が結合し、応力・電気変位・外力・電荷密度などの物理量が相互作用します。ニューラルネットワークは空間・時間を入力として両場を同時に出力し、config.pyで指定された物理パラメータを用いて支配方程式の残差（PDE損失）を自動微分により評価します。初期条件・境界条件は損失関数の項として加えられ、解析解（exact_solution.py）を使った誤差計測や評価スクリプト（evaluate.py）により定量的な比較が可能です。トレーニングではPDE残差、データ同化項（もし観測がある場合）、および初期境界の拘束をバランスさせる重み付けが重要で、学習の安定化には適切なネットワーク深さ・活性化関数・学習率スケジュールの設定が鍵となります。実装はPyTorchやTensorFlowのいずれかを想定した形になっている可能性が高く、自動微分を利用した残差計算、複数損失項のスケーリング、数値的に敏感なパラメータ（例えば速度比や結合係数）の扱いに注意が払われています。研究用途としては材料設計やセンサ応答解析、非破壊検査における波動解析のモデリングへ応用できますが、高周波数や非線形性の強い系へは計算精度・学習データ設計が課題になります。（約700字）

プロジェクトの構成

主要なファイルとディレクトリ：

  • LICENSE: file
  • README.md: file
  • config.py: file
  • evaluate.py: file
  • exact_solution.py: file

…他 3 ファイル

まとめ

PINNで1D圧電結合波を再現する研究向けの実装基盤として有用です（約50字）。

リポジトリ情報：