شبیه‌ساز الکترومغناطیس-حرارتی PINN | PyTorch | خطای L2 کمتر از ۰.۱٪

فریم‌ورک Physics-Informed Neural Network برای حل همزمان معادلات ماکسول و معادله حرارت با Joule Heating — بدون mesh و بدون داده برچسب‌دار.

چالش: شبیه‌سازی سیستم‌های الکترومغناطیس-حرارتی بدون حل‌کننده‌های گران FEM/FVM.

راه‌حل: سه معماری (MLP، MLPPINN، TransformerPINN با RoPE و GQA)، داشبورد Streamlit تعاملی و پشتیبانی از مسائل معکوس با تخمین عدم‌قطعیت.

نتیجه: خطای L2 کمتر از ۸.۷۱e-05 برای میدان الکتریکی با TransformerPINN، اجرا روی CPU در کمتر از ۵ دقیقه.