Нейросетевой подход к решению задачи самовоздействия волновых полей в нелинейных средах
Автор: Васильев Евгений Павлович, Болотов Дмитрий Ильич, Болотов Максим Ильич, Смирнов Лев Александрович
Журнал: Проблемы информатики @problem-info
Рубрика: Теоретическая и системная информатика
Статья в выпуске: 1 (54), 2022 года.
Бесплатный доступ
В работе рассматривается возможность применения технологий глубинного обучения для численного решения задачи о распространении оптических импульсов в средах с нелинейностью Керра. В качестве математической модели, описывающей процессы эволюции огибающей электромагнитного излучения, выбрано обобщенное параболическое уравнение, которое в безразмерных переменных имеет вид одномерного модифицированного нелинейного уравнения Шредингера. Была предложена постановка указанной проблемы, позволяющая задействовать для расчетов методы искусственного интеллекта, и реализован один из возможных вариантов данного подхода с применением полносвязной нейронной сети для решения физических задач. При этом был проведен анализ различных алгоритмов подбора параметров, ответственных за передачу информации от слоя к слою такой сети в ходе ее обучения. Выполненные исследования показали, что наиболее перспективными с точки зрения скорости вычислений и адекватности предсказаний являются квази-ньютоновские функции оптимизации, которые в стандартных библиотеках имеют аббревиатуру L-BGFS.
Нелинейное уравнение шредингера, нейронные сети, глубокое обучение, функции оптимизации
Короткий адрес: https://sciup.org/143179065
IDR: 143179065 | DOI: 10.24412/2073-0667-2022-1-5-16
Список литературы Нейросетевой подход к решению задачи самовоздействия волновых полей в нелинейных средах
- George D., Huerta Е. A. Deep Learning for real-time gravitational wave detection and parameter estimation: Results with Advanced LIGO data // Physics Letters. 2018. В 778, P. 64-70. [Electron. Res.]: https://doi.org/10.1016/j .physletb.2017.12.053.
- Gonoskov A., et al. Employing machine learning for theory validation and identication of experimental conditions in laser-plasma physics // Scientic Reports. 2019. N 9 1, P. 1-15. [Electron. Res.]: https://doi.org/10.1038/s41598-019-43465-3.
- Ravi D., et al. Deep Learning for Health Informatics // IEEE J. of Biomedical and Health Informatics. 2017. N 21 1, P. 4-21. [Electron. Res.]: https://doi.org/10.1109/JBHI.2016.2636665.
- Lachinov D., Vasiliev E., Turlapov V. Glioma Segmentation with Cascaded UNet // BrainLes 2018. LNCS 11384. 2018. [Electron. Res.]: https://doi.org/10.1007/978-3-030-11726-9_17.
- Kumar M., Yadav N. Multilayer perceptrons and radial basis function neural network methods for the solution of differential equations: A survey // Computers and Mathematics with Applications. 2011. N 62, P. 3796-3811.
- Хазапов E. А., Миронов С.Ю., Mypv. Ж. Нелинейное сжатие сверхмощных лазерных импульсов: компрессия после компрессора // Успехи физических наук. 2019. № 189, С. 1173-1200. [Электронный ресурс]: https: //doi . org/10.3367/UFNr. 2019.05.038564.
- Ахманов С. А., Выслоух В. А., Чиркин А. С. Оптика фемтосекупдпых лазерных импульсов // М.: Наука. Гл. ред. физ.-мат. лит. 1988.
- Moxley F.I. Generalized finite-difference time-domain schemes for solving nonlinear Schrodinger equations //A Dissertation Presented in Partial Fulfillment of the Requirements for the Degree Doctor of Philosophy/ 2013. [Electron. Res.]: https://core.ac.uk/download/pdf/236621293.pdf.
- Stein M. Large sample properties of simulations using Latin hypercube sampling // Technometrics. 1987. N 29. P. 143-151. [Electron. Res.]: https://www.jstor.org/stable/1269769.
- Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks // Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics. 2010. N 9, P. 249-256. [Electron. Res.]: http://proceedings.mlr.press/v9/glorotl0a.html.
- Robbins H., Monro S. A stochastic approximation method // The annals of mathematical statistics. 1951. Vol. 22. P. 400-407. [Electron. Res.]: https://doi.org/10.1214/aoms/1177729586.
- Hilton G. Neural Networks for Machine Learning. Lecture 6a. Overview of mini-batch gradient descent. 2012. [Electron. Res.]: http://www.cs.toronto.edu/~tijmen/csc321/slides/ lecture\slides\lec6.pdf.
- Kingma D., Ba J. Adam. A Method for Stochastic Optimization // Cornell University Library. 2014. [Electron. Res.]: https://arxiv.org/abs/1412.6980.
- Schraudolph N.N., Yu J., Gunter S. A Stochastic Quasi-Newton Method for Online Convex Optimization // International Conference on Artificial Intelligence and Statistics. 2007. P. 436-443. [Electron. Res.]: http://proceedings.mlr.press/v2/schraudolph07a/schraudolph07a.pdf.