Este artículo presenta SuperCond-GNN, un modelo sustituto de red neuronal gráfica diseñado para predecir la distribución de voltaje en imanes superconductores de alta temperatura mediante el mapeo de circuitos de elementos concentrados a representaciones gráficas. El modelo logra un MAPE medio del 4.3% en apilamientos de cintas y permite una inferencia rápida de la redistribución de corriente en diversas configuraciones de circuitos.
- Los imanes HTS se modelan como circuitos equivalentes de elementos concentrados y se mapean a grafos para GNNs de paso de mensajes.
- El modelo sustituto se entrena con datos de simulaciones de circuitos, logrando un MAPE medio del 4.3% dentro del espacio de diseño.
- Se evalúa la regularización basada en física mediante la ley de corrientes de Kirchhoff para mejorar el rendimiento del modelo.
- La generalizabilidad se evalúa mediante inferencia zero-shot y ajuste fino few-shot en topologías no vistas.
- El marco es agnóstico a la topología y extensible a configuraciones complejas de cables e imanes HTS.
Este enfoque ofrece una alternativa escalable a los solucionadores de circuitos convencionales para aplicaciones posteriores como exploración del espacio de diseño, análisis de compartición de corriente y monitoreo de imanes en tiempo real.