PFNN-2: A Domain Decomposed Penalty-Free Neural Network Method for Solving Partial Differential Equations
提出了一种新的无惩罚神经网络方法PFNN-2,用于求解偏微分方程,它是我们以前提出的PFNN方法[1]的后续改进。PFNN-2继承了PFNN在处理复杂几何自伴问题的光滑性约束和本质边界条件方面的所有优点,并将其应用范围扩展到更广泛的非自伴时变微分方程。此外,PFNN-2引入了重叠区域分解策略,在不牺牲精度的情况下,大幅提高了训练效率。对一系列偏微分方程的实验结果表明,PFNN-2在数值精度、收敛速度和并行可扩展性等方面均优于现有的神经网络方法.
2022-05-02 cs.NA math.NA
A deep shotgun method for solving high-dimensional parabolic partial differential equations
本文提出一种深度散弹法,仅利用轨迹数据分布而非完整轨迹,高效求解高维抛物型偏微分方程,在高达10000维的算例中展现了性能与精度的竞争力。
2025-06-18 cs.NA math.NA
Moving sample method for solving time-dependent partial differential equations
The Institute of Mathematical Sciences, ShanghaiTech University(上海科技大学数学科学学院);Institute of Computational Mathematics and Scientific/Engineering Computing, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院计算数学与科学工程计算研究所);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院);Department of Mathematics, School of Sciences, Great Bay University(大湾区大学理学院数学系);Department of Mathematics, Center for Computation and Technology, Louisiana State University(路易斯安那州立大学计算与技术中心数学系)
本文提出一种自适应采样框架,通过残差驱动策略高效求解具有显著局部奇点的时间依赖偏微分方程。
2026-01-26 cs.NA math.NA
Adaptive Ch Method with Local Coupled Multiquadrics for Solving Partial Differential Equations
Johns Hopkins University(约翰斯·霍普金斯大学)
针对偏微分方程求解问题,在覆盖-节点框架下提出基于LCMQs的自适应Ch方法,通过先调局部覆盖尺寸C再细化节点间距h达预设容差,经泊松问题验证精度好且为真正无网格方法。
2025-11-18 cs.NA math.NA
A semi-analytical collocation method for solving multi-term variable-order time fractional partial differential equations
提出了一种求解多项变阶时间分数阶偏微分方程(VOTFPDE)的新的半解析配置法。该方法采用傅里叶级数展开进行空间离散,将原始的多项VOTFPDE变换为一系列多项变阶时间分数阶常微分方程(VOTFODE)。然后,这些VOTFODE可以解决使用最近发展的向后替代方法。数值算例验证了所提出的数值方法在求解多项VOTFPDE时的准确性和有效性。
2020-07-18 cs.NA math.NA
Preconditioned normal equations for solving discretised partial differential equations
University of Oxford(牛津大学)
研究由偏微分方程离散化产生的非对称方阵线性系统,通过引入‘正规’预处理概念,构建预处理器,对流扩散问题做数值实验,实现快速稳定收敛。
2026-07-28 cs.NA math.NA
Homotopy perturbation transform method for solving fractional partial differential equations with proportional delay
Babasaheb Bhimrao Ambedkar University(巴巴萨赫·比姆拉奥·安贝德卡大学)
本文提出一种结合拉普拉斯变换和同调扰动法的同调扰动变换方法,用于求解含比例延迟的分数偏微分方程初始值问题,验证了该方法的高效性和有效性。
2016-11-20 cs.NA math.NA
Fast Neural Network based Solving of Partial Differential Equations
Monumo Ltd(Monumo有限公司)
我们提出了一种使用神经网络(NN)求解一类偏微分方程(PDE)的新方法。我们的方法建立在神经辐射场研究(NeRFs)的最新进展,并允许NN收敛到PDE解决方案比经典的物理信息神经网络(PINNs)方法快得多。
2022-05-27 cs.LG cs.NA math.NA
pETNNs: Partial Evolutionary Tensor Neural Networks for Solving Time-dependent Partial Differential Equations
Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心);Center for Quantitative Biology, Center for Machine Learning Research, Peking University(北京大学定量生物学中心、机器学习研究中心);Academy for Multidisciplinary Studies, Capital Normal University(首都师范大学跨学科学院);Beijing National Center for Applied Mathematics(北京应用数学中心)
pETNNs通过结合张量神经网络和进化参数近似,高效求解时变偏微分方程,尤其在高维问题中表现出色。
2025-12-05 cs.NA math.NA physics.comp-ph
Domain Decomposition Subspace Neural Network Method for Solving Linear and Nonlinear Partial Differential Equations
提出域分解子空间神经网络方法,结合域分解与子空间神经网络构造基函数,施加C^k连续性条件,用Picard和Newton迭代求解线性和非线性PDE,误差达10^-13,精度和效率优于PINNs等方法。
2025-05-27 cs.NA math.NA
Cut Finite Element Methods for Partial Differential Equations on Embedded Manifolds of Arbitrary Codimensions
University College London(伦敦大学学院);Jönköping University(延雪平大学);Umeå University(于默奥大学)
本文提出了一种稳定化的切割有限元方法框架,用于在任意余维数嵌入流形上求解拉普拉斯-贝特拉米算子,通过背景网格上的连续分段多项式和稳定化形式确保问题稳定性,并验证了三种稳定化形式的抽象假设。
2016-10-05 cs.NA math.NA
A backward Monte-Carlo method for solving parabolic partial differential equations
本文提出一种向后蒙特卡洛方法求解线性抛物型偏微分方程,通过向后追踪粒子并在关键点集中发射以降低统计噪声,利用Feynman-Kac公式求和权重获得光滑解。
2000-10-12 cs.NA math.NA
High-order numerical method for solving elliptic partial differential equations on unfitted node sets
本文提出一种基于RBF-FD的非拟合节点集方法,通过内部配点和拉格朗日乘子约束边界,实现椭圆偏微分方程的高阶精确解,兼顾几何灵活性与精度。
2024-07-22 cs.NA math.NA
Stochastic methods for solving high-dimensional partial differential equations
Centrale Nantes, LMJL, UMR CNRS 6629(南特中央理工学院);Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP*, LJK(格勒诺布尔阿尔卑斯大学)
本文提出了一种结合概率解释(通过Feynman-Kac表示)与稀疏插值的算法,用于求解高维偏微分方程,通过蒙特卡洛方法和时间积分方案估计解的点评估,并利用顺序控制变量子算法进行改进。
2019-05-14 cs.NA math.NA
Physics-informed Multiresolution Wavelet Neural Network Method for Solving Partial Differential Equations
本文提出物理信息多分辨率小波神经网络(PIMWNN)方法求解偏微分方程,通过最小二乘算法训练,在精度和速度上优于PINNs,且无网格、易处理边界条件,有望解决谱偏差问题。
2025-08-11 cs.NA math.NA
An economic cascadic tensor multigrid method for solving high dimensional elliptic linear partial differential problems
Guilin University of Electronic Technology(桂林电子科技大学);Guangxi Colleges and Universities Key Laboratory of Data Analysis and Computation(广西高校数据分析与计算重点实验室);Center for Applied Mathematics of Guangxi (GUET)(广西应用数学中心)
提出一种经济级联张量多重网格方法(ECTMG),将存储和计算复杂度从O(n³)降至O(n²),并分析了基于张量形式的共轭梯度法的收敛性,数值实验验证了有效性。
2026-06-25 cs.NA math.NA
Solving Partial Differential Equations on Evolving Surfaces via the Constrained Least-Squares and Grid-Based Particle Method
本文提出一个基于网格粒子法(GBPM)和约束最小二乘虚拟采样点(CLS-GSP)公式求解演化曲面偏微分方程的框架,通过改进局部重建步骤提升大曲率区域的计算精度,并获得条件数更好的离散化矩阵。
2024-07-24 cs.NA math.NA
A Local Deep Learning Method for Solving High Order Partial Differential Equations
目前,基于深度学习的方法正被用于解决高维偏微分方程(PDE)的计算挑战。但是神经网络高阶导数的计算代价很高,而且高阶导数对训练缺乏鲁棒性。我们提出了一种通过同时逼近函数值和导数来求解具有高阶导数的偏微分方程的新方法。与局部间断Galerkin方法一样,我们引入中间变量将偏微分方程改写成一个低阶微分方程。中间变量和偏微分方程的解同时由多输出深度神经网络近似。通过将系统的残差作为损失函数,我们可以优化网络参数以逼近解。整个过程依赖于低阶导数。大量的数值例子表明,我们的局部深度学习是有效的,鲁棒的,灵活的,特别适合于具有高阶导数的高维偏微分方程。
2021-03-16 cs.NA math.NA
Optimal preconditioners for nonsymmetric multilevel Toeplitz systems with application to solving non-local evolutionary partial differential equations
研究提出一种针对非对称多级Toeplitz系统的对称正定多级Tau预条件子,应用于非局部演化偏微分方程的时间并行求解,实现了与网格无关的最优收敛。
2024-09-24 cs.NA math.NA
On quadrature rules for solving Partial Differential Equations using Neural Networks
神经网络已被广泛应用于求解偏微分方程。这些方法需要使用求积规则来近似定积分。在这里,我们通过一维数值例子说明了在这些应用中可能出现的正交问题,并提出了不同的替代方案来克服它们,即:蒙特卡罗方法,自适应积分,神经网络输出的多项式逼近,以及在损失中包含正则化项。我们还讨论了每一个建议的替代方案的优点和局限性。我们提倡使用蒙特卡罗方法的高维(3或4以上),自适应积分或多项式逼近的低维(3或以下)。正则化项的使用是一种数学上优雅的替代方案,适用于任何空间维度,但是,在处理复杂的神经网络时,它需要对解进行某些正则性假设和复杂的数学分析。
2021-10-30 cs.NA math.NA
Data-integrated neural networks for solving partial differential equations
Xiangtan University(湘潭大学);National Center for Applied Mathematics in Hunan, Key Laboratory of Intelligent Computing & Information Processing of Ministry of Education, Xiangtan University(湖南应用数学中心,教育部智能计算与信息处理重点实验室,湘潭大学);Hunan Key Laboratory for Computation and Simulation in Science and Engineering(湖南省科学与工程计算与仿真重点实验室;湘潭大学数学与计算科学学院);School of Mathematics and Computational Science, Xiangtan University(贵州大学数学与统计学院);School of Mathematics and Statistics, Guizhou University
本文提出DataInNet,通过整合数据与物理信息,有效求解偏微分方程,尤其在高频问题中表现出高精度性能。
2026-01-30 cs.NA math.NA
Fine-Tuning DeepONets to Enhance Physics-informed Neural Networks for solving Partial Differential Equations
本文提出FTO-PINN方法,通过微调预训练DeepONet的分支网络输出并引入主干网络扩展与低秩适配,在保持精度的同时显著降低PINN求解偏微分方程的训练成本,并提升保真度与泛化能力。
2024-10-18 cs.NA math.NA
Annealed adaptive importance sampling method in PINNs for solving high dimensional partial differential equations
本文提出退火自适应重要性采样(AAIS)方法,通过在残差较高区域策略性采样额外点来改进PINNs求解高维偏微分方程的精度与效率,尤其适用于奇异性问题。
2024-05-06 cs.NA math.NA
Results and questions on a nonlinear approximation approach for solving high-dimensional partial differential equations
CERMICS, École des Ponts(巴黎路桥学院);INRIA Rocquencourt(法国国家信息与自动化研究所罗克安库尔中心);Laboratoire J.L.-Lions, Université Pierre et Marie Curie(皮埃尔和玛丽居里大学J.L.朗之万实验室)
本文研究了一种非线性逼近方法,通过变分版本的能量最小化证明其收敛性,并指出非变分版本的理论与数值困难。
2008-11-04 cs.NA math.NA
Subspace method based on neural networks for solving the partial differential equation in weak form
本研究提出一种基于神经网络的弱形式偏微分方程求解子空间方法,通过可分离的基函数训练与近似解求解流程,在低训练成本下实现了高精度求解,性能优于现有方法。
2024-05-14 cs.NA math.NA
DD-DeepONet: Domain decomposition and DeepONet for solving partial differential equations in three application scenarios
DD-DeepONet通过域分解和拉伸变换处理几何、边界或参数变化的三种场景,降低训练难度并加速PDE求解。
2025-07-31 cs.NA math.NA
Solving Partial Differential Equations Using Artificial Neural Networks
本论文研究人工神经网络在偏微分方程数值求解中的近似行为,提出了网格细化参数求解、基于Ritz方法的残差最小化方案及内存策略,以解决传统方法难以处理的框架问题。
2024-11-12 cs.NA math.NA
Subspace method based on neural networks for solving the partial differential equation
针对偏微分方程求解问题,提出基于神经网络的子空间方法(SNN),设计两种强形式算法,无需人工调参,以低训练成本实现高精度,性能显著优于PINN和DGM。
2024-04-12 cs.NA math.NA
Boundary neuron method for solving partial differential equations
School of Mathematics, Jilin University(吉林大学数学学院);Department of Mathematics, Texas State University(德克萨斯州立大学数学系)
本文提出一种基于随机特征的边界神经元方法,通过浅层网络近似边界函数,避免非凸优化,实现高效求解偏微分方程,尤其在复杂几何和无界域问题中表现优异。
2026-03-27 cs.NA math.NA
A Priori Estimation of the Approximation, Optimization and Generalization Errors of Random Neural Networks for Solving Partial Differential Equations
针对神经网络求解偏微分方程时优化非凸非光滑、随机神经网络先验分布选择不明确的问题,本文用带明确先验的随机神经网络在Sobolev范数下逼近Barron型函数,并推导了其求解PDE时的逼近、优化与泛化误差界。
2025-05-18 cs.NA math.NA
Localization errors in solving stochastic partial differential equations in the whole space
The University of Edinburgh(爱丁堡大学)
本文研究了在全空间中求解随机偏微分方程的局部化方法,将问题转化为有限维问题,并证明误差呈指数级减小,提出了一种可完全实现的数值方案。
2017-04-23 cs.NA math.NA math.PR
Solving Partial Differential Equations on Closed Surfaces with Planar Cartesian Grids
本文基于应文俊和王伟成提出的曲面离散技术,提出了一种求解闭曲面上的偏微分方程的通用方法。252(2013),pp. 606-624],其使用坐标平面上的投影。假设它是作为一个水平集,表面是由一组点,它相交的网格点之间的三维网格的间隔表示。它们被指定为主要或次要。曲面上的离散函数在主点上具有独立的值,而在次点上的值由平衡过程确定。每个主点及其相邻点具有到坐标平面中的规则网格点的投影,在该坐标平面中进行平衡并计算有限差分。解决一个p.d.e.可以简化为坐标平面中笛卡尔网格上的标准方法,平衡允许从一个系统无缝过渡到另一个系统。我们观察到二阶精度的例子与各种方程,包括表面扩散确定的拉普拉斯-贝尔特拉米算子和浅水方程的球。
2020-02-10 cs.NA math.NA
Physics-embedded Fourier Neural Network for Partial Differential Equations
Technical University of Munich(慕尼黑工业大学);University of Bristol(布里斯托尔大学);Chinese Academy of Sciences(中国科学院)
本文提出物理嵌入傅里叶神经网络(PeFNN),通过动量守恒的MC-Fourier层增强可解释性和误差控制,在时空PDE求解中达到新最先进水平,并成功应用于大规模洪水模拟。
2024-07-15 cs.LG cs.NA math.NA
Rank Inspired Neural Network for solving linear partial differential equations
本文提出秩启发神经网络(RINN),通过协方差正则化预处理优化基函数正交性,结合线性最小二乘求解PDE,显著降低初始化敏感性并提升稳定性与精度。
2025-06-21 cs.NA math.NA
Convergence analysis of a quasi-Monte Carlo-based deep learning algorithm for solving partial differential equations
Tsinghua University(清华大学)
深度学习方法在求解偏微分方程(PDE)方面取得了巨大成功,其中损失通常被定义为积分。这些算法的精度和效率在很大程度上取决于求积方法。本文提出将拟蒙特卡罗方法(QMC)应用于求解泊松方程和静态薛定谔方程的Neumann问题的Deep Ritz方法(DRM)。对于误差估计,我们将使用深度学习算法求解偏微分方程的误差分解为泛化误差、近似误差和训练误差。我们建立了上界,并证明了基于QMC的DRM实现了比DRM渐近更小的误差界。数值实验表明,该方法在所有情况下收敛速度都更快,且基于随机QMC的DRM的梯度估计方差比DRM的梯度估计方差小小于,说明了QMC在深度学习方面优于MC.
2022-10-28 cs.LG cs.NA math.NA
A Cylindrical Basis Function for Solving Partial Differential Equations on Manifolds
University of Wisconsin-Milwaukee(密尔沃基威斯康星大学)
本文提出一种在点云表示的闭合曲面中高效求解偏微分方程的方法,通过将标准径向基函数核的径向向量投影到局部切平面,将曲面微分算子转换为笛卡尔等价算子,验证了该方法在离散拉普拉斯-贝尔特拉米算子中的有效性。
2016-01-06 cs.GR cs.NA math.NA
A Framework for Solving Parabolic Partial Differential Equations on Discrete Domains
提出在三角网格曲面上求解抛物型偏微分方程的框架,利用分裂积分器结合凸优化步骤处理非线性与刚性项,克服了现有最优传输距离熵近似方法的数值局限,并在几何处理的扩散与波前传播任务中验证了通用性。
2024-06-02 cs.GR cs.NA math.NA
Annealing-based approach to solving partial differential equations
Ochanomizu University(御茶水女子大学)
本文提出一种基于退火的方法求解偏微分方程,通过将离散后的线性方程组转化为广义本征值问题,并利用退火算法高效计算本征向量,验证了迭代次数与系统规模和退火时间的关系。
2026-02-14 cond-mat.dis-nn cond-mat.stat-mech cs.NA
A Gaussian Process Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations
University of California, Irvine(加州大学欧文分校)
针对物理信息机器学习求解非线性偏微分方程时对神经网络架构和损失函数敏感的问题,提出核加权校正残差框架,整合核方法与深度神经网络优势,显著提升性能并降低模型对初始化等因素的敏感性。
2024-09-26 cs.LG cs.NA math.NA
Symplectic finite-difference methods for solving partial differential equations
Texas A&M University(德克萨斯农工大学)
通过指数分裂方法构造显式辛有限差分格式,实现无条件稳定的扩散算法和幺正的平流算法,并建立与辛积分器的一一对应关系,从而可系统提高时间推进算法的精度。
2012-06-08 cs.NA math.NA physics.comp-ph
Solving Partial Differential Equations with Random Feature Models
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出基于随机特征的偏微分方程求解框架,通过误差分析和数值实验证明其在大量配点下可降低计算复杂度,实现简单且高效。
2025-09-21 cs.LG cs.NA math.NA
FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
提出FBSJNN深度学习框架求解偏积分微分方程及带跳正倒向随机微分方程,用单网络结合泰勒展开同时逼近解与非局部积分,减少参数并提升效率,理论保证收敛,数值误差达10^{-3}量级。
2024-12-15 cs.NA math.NA stat.ML
DAS-PINNs: A deep adaptive sampling method for solving high-dimensional partial differential equations
在这项工作中,我们提出了一种深度自适应采样(DAS)方法来解决偏微分方程(PDE),其中深度神经网络被用来近似PDE的解决方案和深度生成模型被用来生成新的配置点,细化训练集。DAS的整个过程由两部分组成:通过最小化训练集中配置点上的剩余损失来求解偏微分方程,并生成新的训练集以进一步提高当前近似解的精度。特别是,我们将残差视为密度函数,并使用称为KRnet的深度生成模型对其进行近似。来自KRnet的新样本与残差引起的分布一致,即,更多的样本位于大残差区域中,而更少的样本位于小残差区域中。类似于经典的自适应方法,如自适应有限元,KRnet作为一个错误指示器,指导训练集的细化。与均匀分布配置点的神经网络逼近相比,该算法能显著提高精度,特别是对于低正则性和高维问题。我们证明了所提出的DAS方法的有效性与数值实验。
2022-07-05 cs.NA math.NA stat.ML
A non linear approximation method for solving high dimensional partial differential equations: Application in Finance
Université Paris-Est, CERMICS(巴黎东大学,CERMICS);Ecole des Ponts(国立路桥学校)
本文提出将贪心算法应用于金融期权定价问题,通过非线性逼近方法求解Black-Scholes方程,并提出方差缩减方法以提高计算效率。
2013-09-17 cs.NA math.AP math.NA
DiffusionPDE: Generative PDE-Solving Under Partial Observation
University of Michigan(密歇根大学);Stanford University(斯坦福大学)
针对部分观测下现有偏微分方程求解方法表现不佳的问题,提出DiffusionPDE框架,通过建模解与系数的联合分布,同时补全信息并求解,性能显著优于现有方法。
2024-11-01 cs.AI cs.CV cs.LG
An unsupervised latent/output physics-informed convolutional-LSTM network for solving partial differential equations using peridynamic differential operator
The University of Arizona(亚利桑那大学);Massachusetts Institute of Technology(麻省理工学院)
提出了一种新的非局部交互的无监督卷积神经网络(NN)结构,用于求解偏微分方程(PDE)。采用非局部周向微分算子(PDDO)作为卷积滤波器来计算场变量的导数。NN通过编码器-解码器层在较小的潜在空间中捕获时间动态,编码器-解码器层之间具有卷积长短期记忆(ConvLSTM)层。通过采用新的激活函数来改进ConvLSTM结构,以提高具有周期性行为的物理学习结构的预测能力。在NN的输出端和潜在(简化)空间中,以控制方程的形式调用物理学。通过考虑几个基准偏微分方程,我们证明了这种新的神经网络结构的训练性能和外推能力,通过比较物理信息神经网络(PINN)型求解器。与其他现有架构相比,它更有能力推断未来时间步长的解决方案。
2022-10-21 cs.LG cs.NA math.NA
Solving stochastic partial differential equations using neural networks in the Wiener chaos expansion
Nanyang Technological University, Division of Mathematical Sciences(南洋理工大学数学科学学院);ETH Zurich, Department of Mathematics(苏黎世联邦理工学院数学系)
本文提出利用神经网络在维纳混沌展开中求解随机偏微分方程,并通过数值实验验证了方法的可行性与有效性。
2026-01-26 cs.LG cs.NA math.NA
SHoP: A Deep Learning Framework for Solving High-order Partial Differential Equations
Tsinghua University(清华大学);Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)(清华大学脑与认知科学研究院)
针对现有神经网络求解高阶偏微分方程时高阶导数计算精度不足且缺乏可解释性的问题,提出深度学习框架SHoP,通过推导高阶导数规则和泰勒级数展开提供显式解,实现高效准确求解。
2023-05-17 cs.LG cs.NA math.NA
Solving nonlinear circuits with pulsed excitation by multirate partial differential equations
Graduate School of Computational Engineering and Institut für Theorie Elektromagnetischer Felder, Technische Universität Darmstadt(达姆施塔特工业大学计算工程研究生院与电磁场理论研究所);BEAMS Department, Université libre de Bruxelles(布鲁塞尔自由大学BEAMS系);Department of Electrical Engineering, EnergyVille, KU Leuven(荷语鲁汶大学电气工程系、EnergyVille)
本文将多速率偏微分方程应用于求解脉冲激励下的非线性低频电路,通过伽辽金方法和传统时间离散化处理非线性项,利用状态变量的包络函数代替高频分量,提升计算效率。
2017-10-17 cs.CE cs.NA math.NA
A brief review of the Deep BSDE method for solving high-dimensional partial differential equations
Weinan E(魏纳·E)
本文简要综述了Deep BSDE方法,该方法利用深度学习技术有效求解高维非线性偏微分方程,克服了传统网格方法的维数灾难,并讨论了其后续发展与未来方向。
2025-05-07 cs.CE cs.LG cs.NA
A Discussion on Solving Partial Differential Equations using Neural Networks
Department of Applied Mathematics(应用数学系);University of Waterloo(滑铁卢大学)
本文探讨了神经网络求解偏微分方程的能力,通过数值实验展示了小型神经网络能够准确学习复杂解,并分析了随机权重初始化对解质量的影响,提出了损失函数的选择、神经网络与经典数值方法的优劣比较,以及未来研究方向。
2019-04-15 cs.LG cs.NA math.NA
A Structure-Preserving Framework for Solving Parabolic Partial Differential Equations with Neural Networks
Department of Applied Mathematics, The Hong Kong Polytechnic University(应用数学系,香港Polytechnic大学);Department of Mathematics, University of South Carolina(数学系,南卡罗来纳大学)
提出Sidecar框架,通过引入辅助网络引导主神经网络求解器保持抛物型PDE的物理结构(如守恒与耗散),显著提升现有求解器的精度和结构保持能力。
2025-08-07 cs.LG cs.NA math.NA
DeepONet for Solving Nonlinear Partial Differential Equations with Physics-Informed Training
School of Mathematics, Georgia Institute of Technology(佐治亚理工学院数学系)
该研究评估 DeepONet 在物理信息训练下求解非线性 PDE 的 branch/trunk 设计,并基于 Rademacher 复杂度与 pseudo-dimension 给出 Sobolev 范数泛化误差界。
2025-09-28 cs.LG cs.NA math.NA
Operator Learning Enhanced Physics-informed Neural Networks for Solving Partial Differential Equations Characterized by Sharp Solutions
Xiamen University(厦门大学);Dalian University of Technology(大连理工大学);Brown University(布朗大学)
本文提出OL-PINN框架,将预训练DeepONet与PINN结合,以少量残差点和高精度求解具有尖锐解的偏微分方程正问题与不适定逆问题。
2023-10-30 cs.LG cs.NA math.NA