Maxwell's equations
PulseAugur coverage of Maxwell's equations — every cluster mentioning Maxwell's equations across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新理论利用真空记忆和滞后现象重新解释电动力学
一个新理论框架提出了一种对静电学和电动力学基本定律的激进重新解释，其灵感来源于Preisach-Mirek模型和真空记忆原理。该模型认为，电荷、电流、电阻和磁场等经典概念仅仅是真空弹性和滞后特性的表现。它引入了一个统一的真空滞后粘度常数，取代了现有的物理常数，并提出当介质的积分变形阈值达到时会发生相变，从而可能解锁辐射能量的获取。该论文概述了该框架如何应用于重新解释库仑定律、安培定律、欧姆定律、法拉第定律以及麦克斯韦方程组，并提出了电…
-
RFIC设计整合物理学、电子学和AI
本文讨论了射频集成电路（RFIC）的复杂设计过程，强调了整合多个工程学科知识的必要性。文章解释了麦克斯韦方程组如何控制电磁场相互作用，而热力学决定了热量管理，热膨胀影响可靠性。文章强调，成功的RFIC设计需要跨越物理学、电子学和AI考量的整体方法。
-
新的NOTES方法增强了物理系统的逆向设计
研究人员开发了一种名为神经算子驱动的拓扑感知演化策略（NOTES）的新方法，以改进由偏微分方程控制的物理系统的逆向设计。该方法结合了DeepONet神经算子和协方差矩阵自适应演化策略（CMA-ES），以降低设计维度并提高效率。NOTES应用于纳米光子束偏转器和结构优化，与现有方法相比表现出优越的性能，实现了高效率和改进的顺应性。
-
AI模型高精度重构三维磁场
研究人员开发了一种新颖的物理信息神经网络（PINN），用于在难以直接测量的区域重构和绘制三维磁场。该AI框架将麦克斯韦方程组集成到其损失函数中，确保了物理一致性，并将重构精度与之前的PINN基准相比提高了十倍。实验验证证实了其稳健的性能，在实际条件下达到了亚百分之一的相对精度。
-
混合物理信息神经网络推动电力系统设计
一篇新的综述文章探讨了使用混合物理信息神经网络（PIML）来增强电力系统。这些方法将物理定律嵌入机器学习模型，提高了准确性和效率，尤其是在数据稀缺的情况下。文章详细介绍了各种PIML架构及其在故障检测和数字孪生等领域的应用，强调了它们优于纯数据驱动的方法。
-
FLASH-MAX 神经网络从稀疏数据中重构麦克斯韦方程组
研究人员开发了 FLASH-MAX，这是一种新颖的神经网络架构，旨在从有限数据中快速精确地重构电磁场。该架构将麦克斯韦方程组直接嵌入其结构中，从而能够符号化地满足控制物理定律。FLASH-MAX 仅用 100 个数据点即可展现出高精度，使用约 1,000 个观测值即可达到 1% 以下的误差，并且训练仅需几秒钟。