PulseAugur
中
实时 04:08:14
English(EN) SuperCond-GNN: Scalable Graph Neural Network Surrogate for Superconducting Circuit Simulations

图神经网络加速超导电路仿真

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SuperCond-GNN，这是一种用于仿真超导电路的新型图神经网络。该模型可以预测高温超导磁体的电压分布，为传统的电路求解器提供了一种可扩展的替代方案。该网络根据电路拓扑、材料特性和工作电流学习电响应，在初步测试中实现了4.3%的平均绝对百分比误差。该框架可适应各种配置，有助于设计探索和实时监控。 AI

影响 为复杂超导磁体设计和监控提供了比传统电路求解器更具可扩展性和更快的替代方案。

排序理由 该集群包含一篇详细介绍科学仿真新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

图神经网络加速超导电路仿真

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Giorgio Vallone ·

    SuperCond-GNN：用于超导电路仿真的可扩展图神经网络代理

    This paper presents SuperCond-GNN, a graph neural network-based surrogate model for predicting the voltage distribution in high-temperature superconducting (HTS) magnets. HTS magnets are modeled as lumped-element equivalent circuits and mapped onto graph representations, enabling…

相关实体

相关话题