잡다구리 너구리

전자기학에는 뭔 놈의 용어들이 그리 많은지, 관련 논문을 서칭 중에 임피던스에 관한 개념을 확실히 잡아놔야 그 수식들을 이해하고 내가 사용할 수 있을 것 같아, 본문에는 해당 내용을 다룰 내용이다. 임피던스, 리액턴스, 인덕턴스, 커패시턴스가 주요한 내용이 될 것 같다. 추후에는 임피던스 매칭까지 다룰 예정이다. 임피던스(Impedance) 전자과나 전기과가 아니더라도 전류는 직류 전류와 교류 전류로 나뉜다는 것은 당연한 상식이다. 그렇다면 직류와 교류의 차이는 뭐냐하고 물으면 답은 위상차이다. 있어 보이게 말하고 싶을 경우 위상차라고 말하면 되는데, 쉽게 말하면 그냥 직류는 한 방향으로만 흐르고 교류는 흐르는 방향이 계속 바뀐다는 것이다. 이러한 간단한 현상 차이 때문에 큰 차이가 발생하는데, 직류는 ..

이전 발행 글에서 마저 분석하다만 Physics-Informed Neural Operator(PINO)의 코드를 분석할 예정이다. 방정식의 상세한 조건 세팅 등은 이전 글에 있으므로 검색을 통해 이번 포스팅부터 보시는 분들은 아래에 있는 링크를 통해 이전 글부터 보고 오시면 될 듯하다. 이전 글에서는 Generating Data, Fourier Neural Operator(FNO) 부분을 다뤘으며, 이번 글에서는 나머지인 Defined Loss function, Train Neural Operator 부분을 다룰 예정이다. 2023.10.10 - [인공지능/Deep Learning] - [PINO] Burger's Equation 예제 코드 분석 [1/2] [PINO] Burger's Equation 예..

이전의 PINN에 이어 Physics-Informed Neural Operator(PINO)의 알고리즘 작동 원리 및 코드 짜임새를 살펴보기 위해 Burger's Equation의 예제 코드를 분석해 볼 예정이다. Burger's Equation은 식 구성이 단순해선지는 모르겠지만, 여러 프레임워크가 시작 예제 느낌으로 코드를 많이 제공하기 때문에, 가능한 한 앞으로도 딥러닝 프레임워크의 코드 분석에 있어서는 Burger's Equation을 사용하지 않을까 싶다. 동일한 방정식을 토대로 한 여러 코드를 보다 보면 방정식을 확실하게 알고 있다 보니, 그만큼 각 프레임워크의 차이도 구별하기 쉬운데, 이 글을 읽는 여러분들이 이런 효과를 조금이라도 느끼셨으면 하는 마음도 있다. 이번 포스팅에 사용할 코드는 ..

Fourier Neural Operator(FNO)는 Neural Operator의 일종으로 Kernel Integral Operator에서의 Kernel function을 사용하는 대신 Fast Fourier Transform(FFT)를 통해 Fourier 공간에서 표현한 Neural Operator이다. 본문에서는 FNO의 핵심 개념에 대해 다뤄볼 예정이다. 해당 개념을 제시한 논문은 Zongyi Li의 "Fourier Neural Operator for Parametric Partial Differential Equatons"로 FNO에 대해 자세히 알고 싶다면 해당 논문을 참조하면 된다. FNO에 대해 공부할 때 바로 포스팅을 했어야 됐는데 귀찮아서 미루다 보니 어느 정도 기억을 더듬어 적는 바가..