Solving The variable-coefficient Helmholtz Using An Artificial Neural Network Approach
Notice bibliographique
Résumé
We investigate a mesh-free artificial neural network (ANN) solver for the variable-coefficient Helmholtz equation, a core model for time-harmonic wave phenomena in heterogeneous media. The proposed formulation represents the solution as a smooth neural function and trains it by minimizing a composite loss that enforces the PDE residual via automatic differentiation together with Dirichlet boundary data. We evaluate the method on a controlled two-dimensional (2-D) benchmark with spatially varying wavenumber, quantify accuracy using global error metrics (L2, MAE, RMSE), and analyze accuracy cost drivers such as collocation budgeting and boundary sampling. Results indicate that the ANN approach attains competitive accuracy relative to classical discretization pipelines while avoiding explicit meshing and offering flexibility for complex geometries. We discuss practical design choices (activation, loss weighting, sampling) that are important for oscillatory solutions and heterogeneous coefficients. The present study focuses on a specific 2-D variable-coefficient case with a known target function selected for reproducibility and ablations; therefore, the findings should not be interpreted as fully general. We outline extensions to higher-frequency regimes, non-smooth coefficients, mixed boundary conditions, and three-dimensional settings, where the same formulation applies with augmented inputs and scaled collocation/memory budgets. Overall, the study provides a reproducible benchmark and guidance for deploying ANN-based solvers on variable-coefficient Helmholtz problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».