An unfitted RBF-FD method in a least-squares setting for elliptic PDEs on complex geometries
偏微分方程的径向基函数有限差分(RBF-FD)方法需要一组插值点,这些插值点符合计算域$Ω$。近似鲁棒性的要求之一是将插值点以局部均匀的距离放置在$Ω$的边界周围。然而,生成具有这些属性的插值点是一个繁琐的问题。相反,插值点可以在边界上延伸,并且因此与$Ω$的形状完全解耦。在本文中,我们提出了一种修改的最小二乘RBF-FD方法,它允许插值点被放置在一个盒子,封装$Ω$。这样,2D和3D复杂域上的节点放置就大大简化了。数值实验求解椭圆模型偏微分方程在复杂的二维几何形状表明,我们的方法是强大的。此外,它表现出更好的近似误差和运行时间与误差相比,经典的RBF-FD方法。也可以在3D中使用我们的方法,我们通过提供胸隔膜上的解决方案的收敛结果来表示。
2021-03-09 cs.NA math.NA
Transolver: A Fast Transformer Solver for PDEs on General Geometries
School of Software, BNRist, Tsinghua University. \ Wu < >
本文提出Transolver,一种基于Physics-Attention的快速Transformer求解器,通过学习离散几何背后的内在物理状态,将网格自适应划分为可学习切片以捕捉复杂物理相关性,在六个标准基准上相对提升22%并在大规模工业模拟中表现优异。
2024-06-01 cs.LG cs.NA math.NA
DDFEM: A Python Package for Diffuse Domain Methods
Mathematics Institute, University of Warwick(华威大学数学研究所)
本文提出可扩展 Python 包 ddfem,用相场、有符号距离函数和 UFL 将复杂区域上的 PDE 转换为漫射区域形式,并支持多类边界条件组合及与现有有限元求解器兼容。
2026-10-20 cs.NA math.NA
Resolution invariant deep operator network for PDEs with complex geometries
ShanghaiTech University(上海科技大学);Chongqing University(重庆大学)
针对神经算子输入输出空间域需一致、无法处理复杂几何PDE等局限,提出分辨率不变深度算子框架RDO,解耦输入输出空间域且无需重训练,保留分辨率不变性,实验证明其性能优于DeepONet和FNO。
2024-02-01 cs.LG cs.NA math.NA
Fourier Neural Operator with Learned Deformations for PDEs on General Geometries
California Institute of Technology(加州理工学院);Peking University(北京大学);University of Cambridge(剑桥大学)
本文提出 geo-FNO 框架,通过学习将任意几何域变形到均匀网格潜在空间,使 FNO 的 FFT 计算可应用于一般几何形状的偏微分方程求解,兼具高效性与灵活性。
2024-05-02 cs.LG cs.NA math.NA
Least SQuares Discretizations (LSQD): a robust and versatile meshless paradigm for solving elliptic PDEs
针对不规则几何下传统数值网格方法受限、无网格方法需弱形式求积的问题,提出无需弱形式的最小二乘离散化(LSQD)无网格方法,验证了其在多场景下求解椭圆型PDE的有效性,并构建后验误差估计器,提供了鲁棒易用的数值新方案。
2024-06-19 cs.NA math.NA
Higher-order accurate diffuse-domain methods for partial differential equations with Dirichlet boundary conditions in complex, evolving geometries
扩散域方法是求解复杂几何条件下偏微分方程的一种有吸引力的方法,它具有简单、灵活的特点。在这种方法中,复杂的几何形状被嵌入到一个更大的,规则的域。利用复域的光滑特征函数对原偏微分方程进行了重构,并引入源项来近似边界条件。重新制定的方程,这是独立的尺寸和域的几何形状,可以解决标准的数值方法和相同的求解器可以用于任何域的几何形状。一个挑战是使该方法更高阶准确。对于狄利克雷边界条件,我们在这里集中,目前的实现证明了广泛的范围内,他们的准确性,但一般的方法产生在最好的一阶精度在$ε$,参数,其特征的特征函数被平滑的区域的宽度。通常为$ε\propto h$,即网格大小。在这里,我们使用匹配的渐近展开分析扩散域偏微分方程,并解释所观察到的行为。我们的分析还确定了对扩散域偏微分方程的简单修改,这些修改在$ε$中产生更高阶的精度,例如,$L^2$规范中的$O(ε^2)$和$L^{\infty}$规范中的$O(ε^p)$和$1.5\le p\le 2$。我们的分析结果在固定和移动域中的水平集方法被用来捕捉域边界的动态和构造平滑的特征函数的数值证实。
2019-11-27 cs.NA math.NA
HiLNO: A Hierarchical Latent Neural Operator with Multi-Scale Supervision for PDEs on General Geometries
School of Mathematics, Nanjing University of Aeronautics and Astronautics(南京航空航天大学数学学院);Key Laboratory of Mathematical Modelling and High Performance Computing of Air Vehicles (NUAA), MIIT(工业和信息化部南京航空航天大学数学建模与高性能计算重点实验室(NUAA));School of Mathematics and Information Sciences, Yantai University(烟台大学数学与信息科学学院)
HiLNO通过构建细-粗-细潜空间、多尺度监督和各向异性高斯注意力,在一般几何上高效学习PDE算子,以84.4%参数和69.2%FLOPs的削减实现竞争性精度。
2026-09-17 cs.LG cs.NA math.NA
NURBS-SEM: a hybrid spectral element method on NURBS maps for the solution of elliptic PDEs on surfaces
SISSA(的里雅斯特高等研究学校)
本文提出一种结合IGA与SEM的NURBS-SEM方法,实现高精度求解曲面上的椭圆型PDE,对比了不同方法的性能。
2018-04-23 cs.NA math.NA
A High-Order Fast Direct Solver for Surface PDEs on Triangles
Technische Universität Dresden(德累斯顿工业大学)
本文提出一种基于三角形的分层Poincaré-Steklov方法,实现高阶离散化和复杂几何结构的高效求解,具有O(N log N)复杂度和高精度。
2026-04-03 cs.NA math.NA
Learning Only On Boundaries: a Physics-Informed Neural operator for Solving Parametric Partial Differential Equations in Complex Geometries
University of Pennsylvania(宾夕法尼亚大学)
针对现有深度学习求解PDE需大量数据且受限于有界域的问题,提出基于边界积分方程的物理信息神经算子,仅在边界训练,减少采样点并加速训练,还可处理无界问题,经实验验证有效。
2023-08-24 cs.LG cs.NA math.NA
A diffuse interface box method for elliptic problems
介绍了一种扩散界面盒法(DIBM),用于求解具有Dirichlet边界条件的复杂几何椭圆问题的数值逼近。我们推导出一个先验的$H^1$和$L^2$误差估计突出的网格离散化参数和扩散界面宽度的作用。最后,我们提出了一个数值结果评估的理论研究结果。
2021-01-27 cs.NA math.NA
A Large-Scale Comparison of Tetrahedral and Hexahedral Elements for Solving Elliptic PDEs with the Finite Element Method
University of Victoria(维多利亚大学);New York University(纽约大学);Lightspeed & Quantum Studio, Tencent America(腾讯美国光速与量子工作室);Adobe Research(Adobe研究)
本文通过大规模基准测试,比较了四面体和六面体元素在求解椭圆型PDE中的性能,探讨了不同因素对整体系统性能的影响。
2022-03-09 cs.NA math.NA
A Reduced Basis approach for PDEs on parametrized geometries based on the Shifted Boundary Finite Element Method and application to a Stokes Flow
SISSA, International School for Advanced Studies(国际高等研究院);Duke University(杜克大学)
本文提出一种将移位边界法与POD-伽辽金策略结合的模型降阶技术,用于高效解决复杂参数化域的PDE问题,通过引入近似替代边界避免重 meshing 和切割单元的繁琐处理,同时通过POD-伽辽金方法进一步降低计算成本,提升降阶基的稳定性和性能。
2019-01-10 cs.NA math.NA
Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems
MICS, CentraleSupélec, Université Paris Saclay(巴黎萨克雷大学中央高等电力学院MICS实验室);Transvalor S.A.(特兰斯瓦尔公司)
针对物理信息神经网络在复杂几何、泛化及自动微分方面的局限,提出融合图神经网络与有限元数值核的混合PDE求解框架,并通过理论分析、消融实验及二三维复杂几何测试验证其泛化能力。
2024-09-25 cs.LG cs.NA math.NA
DeepMartNet -- A Martingale Based Deep Neural Network Learning Method for Dirichlet BVPs and Eigenvalue Problems of Elliptic PDEs in R^d
本文提出DeepMartNet,一种基于鞅的深度神经网络方法,用于求解高维或复杂几何域上椭圆型PDE的Dirichlet边值问题和特征值问题,通过鞅损失函数和随机过程采样实现高效优化,并在多个高维数值实验中验证了其有效性。
2023-12-20 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
A Diffuse-Domain Based Numerical Method for a Chemotaxis-Fluid Model
在本文中,我们考虑一个耦合趋化性流体系统,模型自组织集体行为的趋氧细菌在一个固着滴。该模型描述了流体环境中的生物趋化现象,并将耗氧和趋氧细菌的对流趋化系统与受重力影响的不可压缩Navier-斯托克斯方程耦合,该重力与细胞密度与水密度相比的相对过剩成比例。我们发展了一种新的正性保持和高分辨率的方法研究趋化性流体系统。我们的方法是基于扩散域的方法,我们用它来获得一个新的趋化性流体扩散域(cf-DD)模型模拟生物对流在复杂的几何形状。将液滴区域嵌入到一个较大的矩形区域中,用一个有限厚度的扩散界面代替原来的边界。原始趋化性流体系统重新制定的更大的域上的附加源项,近似的物理界面上的边界条件。我们发现,cf-DD模型收敛到趋化性流体模型渐近扩散界面的宽度收缩为零。我们数值求解所得到的cf-DD系统的二阶混合有限体积有限差分法,并展示了所提出的方法的性能上的一些数值实验,展示了几个有趣的趋化现象,在不同形状的固着液滴,其中的细菌模式取决于液滴的几何形状。
2022-09-17 cs.NA math.NA
Diffuse Interface Methods for Inverse Problems: Case Study for an Elliptic Cauchy Problem
Institute for Computational and Applied Mathematics, University of Münster(明斯特大学计算与应用数学研究所);Cells in Motion Cluster of Excellence, University of Münster(明斯特大学细胞运动卓越集群);Dept. of Mathematical Sciences and Technology, Norwegian University of Life Sciences(挪威生命科学大学数学科学与技术系)
本文提出扩散界面方法用于变分反问题,研究心脏电图反演问题,通过Tikhonov正则化证明收敛性,处理参数依赖的拓扑结构和算子扰动。
2015-07-10 cs.NA math.NA
Geometry-Informed Neural Operator for Large-Scale 3D PDEs
NVIDIA(英伟达)
提出几何信息神经算子GINO,结合图与傅里叶神经算子处理变几何大规模3D PDE,仅用500数据点预测汽车表面压力,比CFD快26000倍,误差降低四分之一。
2023-09-01 cs.LG cs.NA math.NA
Fast high-order spectral solvers for PDEs on triangulated surfaces with applications to deforming surfaces
Technische Universität Dresden(德累斯顿工业大学)
本文提出快速高阶谱求解器用于三角化表面的偏微分方程,结合四边形化和基于Dubiner多项式的谱元方法,实现高精度和高效求解,应用于变形表面的数值实验。
2025-12-30 cs.NA math.NA
Examples of computational approaches to accommodate randomness in elliptic PDEs
Ecole des Ponts(巴黎路桥学校);INRIA(法国国家信息与自动化研究所)
本文探讨了在处理具有随机系数的线性椭圆偏微分方程时,如何通过方差减少技术与灵活的有限元方法提高计算效率和精度。
2016-04-18 cs.NA math.NA math.PR
Unstructured to structured: geometric multigrid on complex geometries via domain remapping
提出通过微分同胚将复杂非结构化网格域映射到规则域,以应用稳健几何多重网格,并用可逆神经网络学习映射,提升GPU上的求解效率与可扩展性。
2025-09-09 cs.NA math.NA
Adaptive Mamba Neural Operators
研究如何准确求解任意几何形状和各种网格上的偏微分方程,提出自适应曼巴神经算子,通过构建竹内 - 马尔姆奎斯特系统集成再生核,在多个领域的基准问题上,其相对\(L^2\)误差优于现有求解器,为神经算子框架设计提供新范例。
2026-07-21 cs.LG cs.NA math.AP
A Tensor Train-Based Isogeometric Solver for Large-Scale 3D Poisson Problems on Complex Geometries
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
提出全 Tensor Train 组装的等几何分析框架 TT-IGA,通过对几何映射与 PDE 离散化进行低秩 TT 表示,在一般三维复杂几何上高效求解 3D Poisson 方程,显著降低内存与计算成本且不损失精度。
2025-09-16 cs.NA math.NA
Hybrid Iterative Solvers with Geometry-Aware Neural Preconditioners for Parametric PDEs
Division of Applied Mathematics(应用数学系);Brown University(布朗大学);Ansys UK Ltd(Ansys英国有限公司)
本文提出Geo-DeepONet,结合几何信息的神经预置条件器,提升混合迭代求解器在参数PDEs中的鲁棒性和效率。
2025-12-16 cs.LG cs.NA math.NA
Dense cell-by-cell systems of PDEs: approximation, spectral analysis, and preconditioning
本研究针对可兴奋组织的EMI模型,分析其PDE系统的Galerkin逼近的谱性质,提出并验证了高效稳健的整体多层预处理器求解器,适用于大规模细胞模拟。
2024-09-20 cs.NA math.NA
Diffuse Domain Methods with Dirichlet Boundary Conditions
Mathematics Institute, University of Warwick(华威大学数学研究所)
本文提出并分析了新的扩散域方法,用于解决具有狄利克雷边界条件的问题,通过混合公式推导出两种新方法,并基于Nitsche方法构建了 coercive 公式,通过数值实验验证了方法的精度和有效性。
2026-10-20 cs.NA math.NA
Deep NURBS -- Admissible Physics-informed Neural Networks
University of Nottingham(诺丁汉大学);RWTH Aachen University(亚琛工业大学);King Abdullah University of Science & Technology (KAUST)(阿卜杜拉国王科技大学)
本文提出一种结合容许NURBS参数化的Deep NURBS框架,在任意几何形状下严格满足Dirichlet边界条件,实现偏微分方程的高精度低成本求解,且收敛速率和精度显著优于经典PINN求解器。
2024-07-29 cs.LG cs.NA math.NA
Multi-Scale Finite Expression Method for PDEs with Oscillatory Solutions on Complex Domains
Department of Mathematics, Purdue University(普渡大学数学系);Department of Mathematics and Department of Computer Science, University of Maryland College Park(马里兰大学学院市数学系和计算机科学系)
本文提出增强的有限表达式方法(FEX),通过符号谱组合、线性输入层重构和特征值公式,在复杂域上高精度求解振荡PDE,并生成可解释的闭式解。
2025-10-26 cs.LG cs.NA math.NA
A Least Squares Radial Basis Function Partition of Unity Method for Solving PDEs
Uppsala University(乌普萨拉大学);University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
本文提出一种基于最小二乘法的径向基函数分区整体方法,解决了节点布局敏感性和条件数问题,并通过数值实验验证了理论误差估计。
2017-02-23 cs.NA math.NA
Wavelet-based grid adaptation with consistent treatment of high-order sharp immersed geometries
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种基于小波的高阶插值变换策略,用于处理尖锐嵌入边界和界面的高阶离散化,通过多项式外推技术保持小波阶数,实现复杂域内的网格自适应与误差控制。
2026-03-19 cs.NA math.NA physics.comp-ph
Single molecule simulations in complex geometries with embedded dynamic one-dimensional structures
Uppsala University(乌普萨拉大学)
提出一种结合三维空间与任意形状一维结构上单分子模拟的算法,支持扩散、反应、结合/解离及结构动态变化,并通过数值示例验证灵活性与准确性。
2013-03-11 cs.NA math.NA physics.bio-ph
A Diffuse Domain Approximation with Transmission-Type Boundary Conditions I: Asymptotic Analysis and Numerics
本研究对具有传输型Robin边界条件的两侧问题进行了扩散域方法的匹配渐近分析,证明在一维空间中解以$\varepsilon$的一阶精度收敛,并通过数值模拟验证了理论结果。
2025-04-23 cs.NA math.AP math.NA
Deep Energy Method with Large Language Model assistance: an open-source Streamlit-based platform for solving variational PDEs
Tsinghua University(清华大学);Bauhaus-Universität Weimar(魏玛包豪斯大学);Leibniz University Hannover(汉诺威莱布尼茨大学)
LM-DEM是一种基于大语言模型的开源平台,用于求解变分偏微分方程,通过简化几何建模和并行计算提升效率。
2026-02-08 cs.NA math.NA
Radial basis function methods for the Rosenau equation and other higher order PDEs
Allameh Tabataba’i University(阿拉梅·塔巴塔巴伊大学);Uppsala University(乌普萨拉大学);University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
本文探讨了利用径向基函数逼近方法求解Rosenau方程等高阶偏微分方程的可行性,通过扩展虚点法和重采样法,验证了该方法在处理多边界条件问题时的精度与适应性。
2017-05-16 cs.NA math.NA
Semi-Implicit Neural Solver for Time-dependent Partial Differential Equations
Technical University Munich(慕尼黑工业大学);École normale supérieure, Paris(巴黎高等师范学院);deepc GmbH, Munich(慕尼黑deepc有限公司);Helmholtz Zentrum München(慕尼黑亥姆霍兹研究中心);University of Zurich(苏黎世大学)
不定常偏微分方程(PDE)的快速精确求解是物理学、工程学和生物学等许多研究领域的重要课题。一般来说,隐式/半隐格式优于显式格式,以提高稳定性和正确性。然而,现有的半隐式方法通常是迭代的,并采用通用的求解器,这可能是次优的一类特定的偏微分方程。在本文中,我们提出了一个神经求解器,学习最佳的迭代方案,在数据驱动的方式为任何类的偏微分方程。具体来说,我们使用深度神经网络修改半隐式求解器的单次迭代。我们提供的神经求解器的正确性和收敛性的理论保证类似于传统的迭代求解器。除了常用的Dirichlet边界条件外,我们还采用扩散域方法来引入不同类型的边界条件,例如,诺依曼我们表明,建议的神经求解器可以超越线性偏微分方程,并适用于一类非线性偏微分方程,其中的非线性组件是非刚性的。我们证明了我们的方法在2D和3D场景的有效性。为此,我们展示了我们的模型如何推广到不同于训练的参数设置,并实现了比半隐格式更快的收敛。
2021-09-03 cs.LG cs.NA math.NA
Treatment of complex interfaces for Maxwell's equations with continuous coefficients using the correction function method
我们提出了一个高阶FDTD方案的基础上的校正函数法(CFM)处理界面的复杂几何形状,而不增加的复杂性的数值方法的常系数。修正函数由基于麦克斯韦方程组的具有交界条件的偏微分方程系统建模。为了能够计算修正函数的近似,在无发散离散函数空间中最小化作为与修正函数的PDE系统相关联的误差的平方度量的泛函。之后,修正函数的近似被用来校正FDTD方案在附近的接口,它是必要的。我们对偏微分方程的修正函数系统进行了扰动分析。研究了离散发散约束和格式的相容性。数值实验进行了不同的界面几何形状的问题。一个二阶收敛的二阶FDTD计划获得使用CFM校正。高阶收敛与修正的四阶FDTD格式。解决方案内的不连续性被准确地捕获,没有寄生振荡。
2020-02-16 cs.NA math.NA
A posteriori certification of PDE approximations with particular application to neural networks
Ulm University(乌尔姆大学);Foundation of Research and Technology, Nikolaou Plastira 100, Vassilika Vouton, GR 70013 Heraklion, Crete, Greece(希腊克里特岛伊拉克利翁巴斯利卡武通尼古劳·普拉西拉100号研究技术基金会)
本文提出用于偏微分方程神经网络近似的严格下界和上界,通过高效计算适合扩展和限制的神经网络残差的里斯表示,适用于几何更简单的领域,从而利用快速数值求解器。该框架适用于椭圆和抛物问题,数值实验展示了所推导的上界和下界良好的定量行为。
2026-07-13 cs.NA math.NA
Analysis of the Diffuse Domain Method for second order elliptic boundary value problems
Institute for Computational and Applied Mathematics, University of Münster(明斯特大学计算与应用数学研究所);Cells in Motion Cluster of Excellence, University of Münster(明斯特大学细胞运动卓越集群);Dept. of Mathematical Sciences and Technology, Norwegian University of Life Sciences(挪威生命大学数学科学与技术系)
本文研究了弥散域方法在逼近二阶椭圆边值问题中的收敛性及收敛速率,通过引入相场函数松弛边界条件,利用加权Sobolev空间理论分析并验证了方法的有效性。
2014-12-17 cs.NA math.NA
CENN: Conservative energy method based on neural networks with subdomains for solving variational problems involving heterogeneous and complex geometries
Tsinghua University(清华大学);Massachusetts Institute of Technology(麻省理工学院);KU Leuven(荷语鲁汶大学)
提出了一种基于子域神经网络的守恒能量法求解变分问题(CENN),该方法通过径向基函数(RBF)、特解神经网络和一般神经网络构造满足本质边界条件的无边界罚容许函数.损失项是势能,根据最小势能原理进行优化。与强形式的子域PINN相比,界面处的损失项具有低阶导数。该方法的优点是效率高,精度高,超参数少,比强形式的PINN的子域。该方法的另一个优点是基于容许函数的特殊构造,可以应用于复杂几何。为了分析其性能,所提出的方法CENN是用来模拟典型的偏微分方程,例子包括强间断,奇异性,复杂的边界,非线性,和异构的问题。此外,它优于其他方法时,处理异构问题。
2022-12-01 cs.LG cs.NA math.NA
HAMLET: Graph Transformer Neural Operator for Partial Differential Equations
MIT(麻省理工学院);Imperial College London(帝国理工学院);University of Cambridge(剑桥大学)
本文提出图Transformer神经算子框架HAMLET,利用模块化输入编码器融合PDE信息,在复杂、含噪及少数据场景下实现跨领域稳健求解,并超越现有方法。
2024-10-02 cs.LG cs.NA math.NA
Learning patient-specific parameters for a diffuse interface glioblastoma model from neuroimaging data
本文提出基于POD和DEIM的模型降阶方法,结合神经影像数据对GBM弥漫界面模型进行患者特异性参数估计,并在两个临床病例上验证其显著降低计算成本。
2019-12-17 cs.NA math.NA math.OC
An Isogeometric Tearing and Interconnecting (IETI) method for solving high order partial differential equations over planar multi-patch geometries
Carinthia University of Applied Sciences(克恩顿应用科技大学);University of Primorska(滨海大学)
本文提出一种基于等几何撕裂与互连(IETI)的方法,通过类双线性 $G^s$ 多片参数化和拉格朗日乘子耦合,高效求解平面多片几何上的高阶偏微分方程,并用双调和与三调和方程算例验证了其有效性。
2025-09-19 cs.NA math.NA
Convexification Numerical Method for a Coefficient Inverse Problem for the Riemannian Radiative Transfer Equation
本文针对黎曼辐射传输方程系数反问题,构造了首个全局收敛的凸化数值方法,利用Carleman权函数保证全局收敛,并通过收敛性分析和数值实验验证了理论。
2023-04-12 cs.NA math.NA
Meshless solutions of PDE inverse problems on irregular geometries
School of Engineering and Applied Sciences, Harvard University, Cambridge MA 02138(工程与应用科学学院,哈佛大学,康科德马萨诸塞州02138);School of Engineering(工程学院);Applied Sciences, Harvard University, Cambridge MA 02138(应用科学,哈佛大学,康科德马萨诸塞州02138);Department of Physics, Harvard University, Cambridge MA 02138(物理系,哈佛大学,康科德马萨诸塞州02138)
针对复杂域上非线性PDE逆问题与优化难题,提出基于超矩形谱基参数化、结合PINNs思路的无网格方法,具指数收敛性,支持数据同化与高效优化求解。
2025-10-29 cs.LG cs.NA math.NA
A Deep Learning Approach for Predicting Spatiotemporal Dynamics From Sparsely Observed Data
Georgia Institute of Technology(佐治亚理工学院)
本文研究由未知偏微分方程驱动的时空物理过程的预测模型学习问题。我们提出了一个深度学习框架,它可以学习底层动态,并使用稀疏分布的数据站点预测其演变。近年来,深度学习在物理动力学建模方面取得了可喜的成果。然而,大多数现有的用于建模物理动力学的深度学习方法要么专注于解决已知的PDE,要么在管理PDE未知时需要密集网格中的数据。相比之下,我们的方法专注于学习预测模型的未知偏微分方程驱动的动态,只有从稀疏观测数据。该方法具有空间维数无关性和几何灵活性。我们展示了我们的方法在预测任务的二维波动方程和Burgers-Fisher方程在多个几何形状与不同的边界条件,和十维热方程。
2021-05-01 cs.LG cs.NA math.AP
SlabLU: A Two-Level Sparse Direct Solver for Elliptic PDEs
本文提出两级稀疏直接求解器SlabLU,通过slab分解、$\mathcal H^2$矩阵与随机算法高效并行求解二维椭圆型PDE,并在大规模Helmholtz问题上实现高精度快速求解。
2025-08-28 cs.NA math.NA
Compressive Isogeometric Analysis
本文针对等几何分析法求解偏微分方程时,中高次B样条函数在构造Galerkin矩阵时遇到的困难,提出了一种基于等几何分析的求解方法。为了缓解这个问题,我们提出了一种新的方法CossIGA(COmpreSSive IsoGeometric Analysis),它结合了IGA原则与CORSING,最近推出的基于压缩感知的PDE稀疏恢复方法。CossIGA仅组装合适的IGA Petrov-Galerkin离散化的一小部分,并且只要PDE解足够稀疏或可压缩,即,当它的大多数系数为零或可忽略时。的稀疏性的解决方案是促进采用B样条的多级字典,而不是一个基础。由于稀疏性和事实上,只有一小部分的完整的离散矩阵组装,所提出的技术有可能导致显着的计算节省。通过大量的数值计算,证明了CossIGA在求解二维和三维非平凡几何泊松方程中的有效性.
2020-10-28 cs.NA math.NA
Stabilized immersed isogeometric analysis for the Navier-Stokes-Cahn-Hilliard equations, with applications to binary-fluid flow through porous media
本文提出稳定浸入等几何分析框架求解 Navier-Stokes-Cahn-Hilliard 方程,结合广义 Navier 滑移、Nitsche 方法与骨架/鬼罚项,高效模拟复杂多孔介质中二元流体的破碎与聚并。
2023-05-30 cs.NA math.NA
A Fast Integral Equation Method for the Two-Dimensional Navier-Stokes Equations
偏微分方程(PDE)的积分方程方法在不可压Navier-斯托克斯方程的数值解中具有显著的优势。特别地,自然地处理了无发散条件和边界条件,解析地预处理了偏微分方程中高阶项引起的病态。尽管有这些优点,积分方程方法的采用一直很慢,由于在其实施的一些困难。这项工作描述了一个完全积分方程为基础的流量求解器,建立在最近开发的方法奇异积分和复杂域上的偏微分方程的解决方案,结合几个更完善的数值方法。我们将此求解器应用于一些几何形状的流动问题,既简单又具有挑战性,研究其收敛性能和计算性能。这表明,使用积分方程方法,现在可以相对简单地开发出一种鲁棒、高效和灵活的Navier-Stokes求解器。
2019-08-20 cs.NA math.NA physics.flu-dyn
Phi-FEM-FNO: a new approach to train a Neural Operator as a fast PDE solver for variable geometries
本文提出 Phi-FEM-FNO 方法,结合 Phi-FEM 与 Fourier Neural Operator 求解变几何域上的偏微分方程,并在 Poisson-Dirichlet 与非线性弹性方程等测试中验证了其高效性。
2025-02-14 cs.NA math.NA
Computing Reduced Order Models via Inner-Outer Krylov Recycling in Diffuse Optical Tomography
Tufts University(塔夫茨大学);Virginia Tech(弗吉尼亚理工大学)
本文提出通过内外Krylov回收方法动态计算降阶模型的全局基,以提高扩散光学断层成像中逆问题求解效率,减少大规模离散PDE求解成本。
2016-03-07 cs.NA math.NA
Generative Models for Parameter Space Reduction applied to Reduced Order Modelling
针对几何参数增多导致 DROMs 与 PPINNs 精度下降的问题,本文利用生成模型重构几何并降低参数维度,以提升两类降阶模型的精度与收敛性。
2025-06-11 cs.NA math.NA