Physics-informed machine learning for modeling dynamic electromagnetic systems

In recent years Physics Informed Neural Networks (PINNs) have gained the attention of the scientific community for their ability to solve differential equations with machine learning models. In this work, we explore the application of PINNs to the integration of Ordinary Differential Equatinos (ODEs) systems deriving from the application of the Finite Element Method (FEM) to electromagnetic problems. The proposed approach consists in training the PINN to learn the average value of the derivative of the solution for different inputs. In this way, the model is able to accurately simulate the behaviour of the electromagnetic device in a range of working conditions. Capturing the dynamic of the system, the PINN can be a robust and efficient tool to predict the performances of the device.

Negli ultimi anni, le reti neurali informate dalla fisica (Physics Informed Neural Networks, PINNs) hanno suscitato l'interesse della comunità scientifica per la loro abilità di risolvere equazioni differenziali con modelli di apprendimento automatico. In questo lavoro, viene esplorata la possibilità di utilizzare le PINNs per integrare sistemi di equazioni differenziali ordinarie derivanti dall'applicazione del metodo degli elementi finiti a problemi elettromagnetici. L'approccio proposto prevede l'addestramento della PINN ad apprendere un valore medio della derivata della soluzione per varie condizioni di input. In questo modo, il modello è in grado di simulare accuratamente il comportamento del dispositivo elettromagnetico in diverse condizioni operative. Catturando la dinamica del sistema, la PINN rappresenta uno strumento affidabile ed efficiente per predire le prestazioni del dispositivo.