Фізично обґрунтовані нейронні мережі (PINN) є потужним підходом у машинному навчанні, що дозволяє розв’язувати прямі, обернені задачі та задачі ідентифікації, пов’язані з моделями, що описуються дробовими диференціальними рівняннями, за рахунок включення залишків операторних рівнянь, граничних та початкових умов в цільову функцію під час навчання.
Запропоновано фракційну нейронну мережу з адаптивним темпом навчання для моделювання динаміки неізотермічного тепло- та масоперенесення в капілярно-пористих матеріалах з урахуванням ефекту пам’яті та просторової нелокальності. Використано архітектуру нейронної мережі з роз’єднаною структурою, яка базується на функціях втрат, що враховують фізичні особливості досліджуваного процесу. Для навчання мережі використано поетапний підхід, що дозволяє зменшити чутливість до помилок та збоїв.
A statistical approach to description of the charge carrier transfer processes in hybrid nanostructures taking into account electromagnetic fields is proposed using the method of the nonequilibrium statistical operator Zubarev. Generalized transfer equations are obtained, which describe non-Markov processes of charge transfer in the system taking into account magnetic and polarization processes under the influence of external and induced internal electromagnetic fields.