Neues ML-Modell simuliert Wellenreflexion an heterogenen Medien

Ein innovatives maschinelles Lernmodell wurde entwickelt, um die Lösungen der Maxwell‑Gleichungen in einer Dimension zu approximieren. Der Fokus liegt dabei auf Szenarien, in denen elektromagnetische Wellen an einer Materialgrenze reflektiert und transmittiert werden.

Die Trainingsdaten stammen aus hochpräzisen Finite‑Volume‑Simulationen und umfassen unterschiedliche Anfangsbedingungen sowie Variationen der Lichtgeschwindigkeit in einem der Materialien. Dadurch lernt das Modell ein breites Spektrum an Wellen‑Material‑Interaktionsverhalten.

Das Modell nutzt einen autoregressiven Ansatz, bei dem sowohl physikalische als auch frequenzbasierte Einbettungen in einem vision‑Transformer‑Framework erlernt werden. Durch die Einbindung von Fourier‑Transformationen im latenten Raum stimmen die Wellenzahl‑Spektren der Vorhersagen exakt mit den Simulationsdaten überein.

Die Vorhersagefehler wachsen im Zeitverlauf nahezu linear, mit einer deutlichen Zunahme an der Materialgrenze. Dennoch zeigen die Tests, dass das ML-Modell bei mehr als 75 Zeitschritten relative Fehler von unter 10 % erzielt – selbst bei einer Diskontinuität und unbekannten Materialeigenschaften.