خرید و دانلود نسخه کامل کتاب Deep Learning-Based Forward Modeling and Inversion Techniques for Computational Physics Problems

توضیحاتی در مورد کتاب

این کتاب به طور مفصل تکنیک یادگیری عمیق (DL) در حال ظهور در فیزیک محاسباتی را بررسی می‌کند و پتانسیل امیدوارکننده آن را برای جایگزینی حل‌کننده‌های عددی معمولی برای محاسبه میدان‌ها در زمان واقعی ارزیابی می‌کند. پس از آموزش خوب، معماری پیشنهادی می‌تواند هم مشکلات محاسبات رو به جلو و هم مشکلات بازیابی معکوس را حل کند.

با دنبال کردن یک دیدگاه جامع، این کتاب شامل حوزه‌های زیر است. فصل اول چارچوب های اساسی DL را مورد بحث قرار می دهد. سپس، مسئله رسانش گرما پایدار توسط U-net کلاسیک در فصل 2 حل می‌شود که شامل هر دو حالت غیرفعال و فعال است. پس از آن، شار حرارتی پیچیده روی یک سطح منحنی توسط Conv-LSTM ارائه شده بازسازی می‌شود و دقت و کارایی بالایی را نشان می‌دهد. علاوه بر این، یک ساختار DL با اطلاعات فیزیک به همراه یک ماژول نگاشت غیرخطی برای به دست آوردن رسانایی حرارتی مربوط به فضا/دما/زمان از طریق دمای گذرا در فصل 4 استفاده می شود. در نهایت، در فصل 5، مجموعه ای از آخرین چارچوب های پیشرفته و برنامه‌های فیزیک مربوطه معرفی شده‌اند.

از آنجایی که تکنیک‌های یادگیری عمیق در حال تجربه توسعه شدید در فیزیک محاسباتی هستند، افراد بیشتری تمایل به خواندن مطالب مرتبط دارند. این کتاب برای دانشجویان تحصیلات تکمیلی، پزشکان حرفه ای و محققانی که به DL برای فیزیک محاسباتی علاقه دارند در نظر گرفته شده است.