Physics-Informed Neural Networks (PINNs) for Forward and Inverse Quantum Problems
| dc.contributor.author | Gourari, Samah | |
| dc.date.accessioned | 2026-09-28T10:21:25Z | |
| dc.date.available | 2026-09-28T10:21:25Z | |
| dc.date.issued | 2026-06-28 | |
| dc.description.abstract | Comment les réseaux de neurones informés par la physique (PINNs) se comportent-ils face aux méthodes numériques traditionnelles sur l'équation de Schrödinger 1D ? Pour le savoir, nous avons étudié un oscillateur harmonique quantique à travers des problèmes directs et inverses. Pour la partie directe, le schéma de Crank-Nicolson et la méthode des valeurs propres nous ont servi de référence. Pour la partie inverse, nous avons testé la régularisation de Tikhonov contre plusieurs variantes de PINNs. Il en ressort que les approches classiques gagnent sur l'efficacité et la résistance au bruit. Toutefois, les PINNs prennent l'avantage en précision, mais seulement si l'on intègre intelligemment les lois physiques dès la conception du réseau | |
| dc.description.sponsorship | We compared physics-informed neural networks (PINNs) with traditional numerical approaches to solve forward and inverse problems involving the 1D time-dependent Schrödinger equation for a quantum harmonic oscillator. Classical methods-specifically the Crank-Nicolson scheme and the eigenvalue method-served as our benchmarks for the forward problem. For the inverse problem, we tested Tikhonov regularization against different versions of the inverse PINN. Our findings show that while classical methods are still faster and more resilient to noise, PINNs have a clear edge in accuracy, provided you embed the right physical constraints straight into the network's architecture. | |
| dc.identifier.uri | https://dspace.univ-tlemcen.dz/handle/112/26791 | |
| dc.language.iso | en | |
| dc.publisher | University of Tlemcen | |
| dc.subject | Réseaux de neurones informés par la physique | |
| dc.subject | équation de Schrödinger | |
| dc.subject | oscillateur harmonique quantique | |
| dc.subject | problème inverse | |
| dc.subject | régularisation de Tikhonov | |
| dc.subject | méthodes numériques. | |
| dc.title | Physics-Informed Neural Networks (PINNs) for Forward and Inverse Quantum Problems | |
| dc.type | Thesis |