푸아송-넌스트-플랑크 및 푸아송-넌스트-플랑크-나비에-스토크스 시스템을 위한 구조 지향 랜덤 신경망
Structure-Oriented Randomized Neural Networks for Poisson-Nernst-Planck and Poisson-Nernst-Planck-Navier-Stokes Systems
우리는 푸아송-넌스트-플랑크(PNP) 시스템과 푸아송-넌스트-플랑크-나비에-스토크스(PNP-NS) 시스템을 위해 SO-RaNN이라 불리는 구조 지향 랜덤 신경망 프레임워크를 개발합니다. 비결합 선형화 부분 문제들은 시공간 프레임워크 내에서 랜덤 신경망에 의해 반복적으로 해결됩니다. 농도 변수의 경우, 값 수준에서 양성을 강제하기 위해 점별 컷오프가 사용되며, 선택된 보정 시점에서 이산 질량 스케일링 인자가 계산되고 시간에 따라 보간되어, 해당 시점에서 정확한 질량 일치를 보장하고 그 사이의 근사적인 질량 보존을 촉진합니다. 보조 이산 소산 메커니즘을 도입하기 위해, 우리는 SAV 유형 후처리 보정을 추가로 사용하며, 이는 이상적인 SAV 업데이트 하에서 SAV 보조 변수의 단조성을 산출합니다. PNP-NS 시스템의 경우, 속도장에 대해 구조 보존 랜덤 신경망(SP-RaNN)이 사용되어, 속도 근사가 구조적으로 점별 비압축성 제약 조건을 만족하도록 합니다. 이론적 측면에서, 우리는 선형화 부분 문제의 원시(보정되지 않은) RaNN 솔버에 대한 잔차 기반 추정을 도출하고, PNP 시스템의 원시 외부 피카르 반복에 대한 조건부 시간 국소 수렴 결과를 공식화하며, 질량 보정 및 SAV 후처리 단계와 함께 값 수준 양성 보정을 분석합니다. PNP-NS 시스템의 경우, 우리는 SP-RaNN 공간에 대한 근사 결과를 확립하고 해당 선형화된 오센 유형 문제에 대한 조건부 오차 명제를 제공합니다. 수치 실험은 소스 기반 제조 테스트에서 근사 정확도를 입증하고, 의도한 값 수준 양성 보정, 선택된 시간 질량 일치, 최종 게이지 고정 전위에 기반한 계산된 자유 에너지 곡선, 그리고 벤치마크 테스트에서의 발산 없는 근사를 보여줍니다.