Bayesian deep operator learning for homogenized to fine-scale maps for multiscale PDE
针对多尺度PDE精细解获取难、观测有限的问题,提出基于数学驱动神经算子的贝叶斯深度算子学习框架,训练多保真均匀化映射,实现无网格高效求解,经数值算例验证有效。
2023-08-27 cs.NA math.NA
A model reduction method for multiscale elliptic PDEs with random coefficients using an optimization approach
California Institute of Technology(加州理工学院);The University of Hong Kong(香港大学)
本文提出了一种基于优化方法的多尺度椭圆PDEs模型降阶方法,通过构造局部多尺度数据驱动随机基函数,实现高效求解具有随机系数的多尺度问题,具有较高的计算效率和收敛性分析。
2018-07-06 cs.NA math.NA
Multiscale methods with compactly supported radial basis functions for Galerkin approximation of elliptic PDEs
School of Mathematics and Statistics, University of New South Wales(新南威尔士大学数学与统计学院)
研究使用紧支撑径向基函数的多尺度伽辽金方法求解有界域上的椭圆PDE,分析了收敛性和条件数,并处理了Dirichlet边界条件及边界重叠支持问题。
2012-11-07 cs.NA math.NA
Multiscale Empirical Interpolation for Solving Nonlinear PDEs using Generalized Multiscale Finite Element Methods
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Texas A&M University(德克萨斯农工大学);Universidad Nacional de Colombia(哥伦比亚国立大学)
本文提出了一种多尺度经验插值方法,结合经验插值技术与局部多尺度方法,如通用多尺度有限元方法(GMsFEM),以高效求解非线性多尺度偏微分方程,通过减少计算成本实现高精度解。
2014-07-01 cs.NA math.NA
Cluster-based Generalized Multiscale Finite Element Method for elliptic PDEs with random coefficients
The Chinese University of Hong Kong(香港中文大学);Texas A&M University(德克萨斯农工大学);The University of Hong Kong(香港大学)
本文提出一种基于聚类算法的广义多尺度有限元方法,用于求解具有随机系数的椭圆PDE,在多查询设置中实现高效求解,通过离线和在线阶段构造减少基函数并提升计算效率。
2017-11-06 cs.NA math.NA
Assembly of multiscale linear PDE operators
在许多应用中,数学模型由跨低维流形耦合的不同过程组成。由于多尺度耦合,这种模型的有限元离散化提出了一个挑战。假设只有单尺度有限元形式可以组装,我们在这里提出了一个简单的算法表示多尺度模型为线性算子适合Krylov方法。该方法的灵活性是通过数值例子与耦合跨维度差距1和2。预条件的几个问题进行了讨论。
2019-12-19 cs.MS cs.NA math.NA
Efficient localised model reduction for multiscale PDEs via Grassmannian interpolation
Heidelberg University(海德堡大学);RWTH Aachen University(亚琛工业大学)
本文提出基于Grassmann流形插值的局部模型降阶方法,用于高效求解多尺度参数化PDE,通过分解局部子问题并插值最优子空间,兼顾近指数空间收敛与参数收敛,数值实验验证了理论。
2026-10-07 cs.NA math.NA
PDE-Constrained Optimization Models and Pseudospectral Methods for Multiscale Particle Dynamics
我们推导出新的算法的最优化问题的约束下的偏微分方程描述多尺度粒子动力学,包括非局部积分项代表粒子之间的相互作用。特别是,我们调查的问题,控制作为一个平流“流”向量或源项的偏微分方程,和约束配备了边界条件的狄利克雷或无通量型。推导出连续的一阶最优性条件,这样的问题,我们解决了由此产生的系统,通过开发一个链接与计算方法统计力学,推导出伪谱方法在空间和时间变量,并利用现有的不动点方法的变种。数值实验表明,我们的方法的有效性的范围内的问题设置,边界条件,以及正则化和模型参数。
2021-09-08 cs.NA math.NA
On optimal bases for multiscale PDEs and Bayesian homogenization
研究PDE解的最优数值基,证明Kolmogorov $n$-width与贝叶斯最优性等价,均可通过随机化SVD高效求解,并在线性和非线性问题中以少量基函数实现最优精度。
2023-05-21 cs.NA math.NA
Sparse Spectral Methods for Solving High-Dimensional and Multiscale Elliptic PDEs
在他的专著切比雪夫和傅立叶谱方法,约翰博伊德声称,关于傅立叶谱方法解决微分方程,“[t]他的优点快速傅里叶变换将继续改善无情的游行到越来越大的[带宽]继续”。本文试图进一步发挥快速傅里叶变换(FFT)的优点,因为不仅带宽被推到了极限,而且问题的维数也被推到了极限。然而,我们没有使用传统的FFT,而是进行了一个关键的替代:一个高维的,稀疏的傅里叶变换(SFT)与随机秩1格方法配对。由此产生的稀疏谱方法快速,自动地确定一组傅立叶基函数,其跨度是保证包含一个精确的近似的解决方案,一个给定的椭圆偏微分方程。然后,使用这个小得多、接近最佳的傅里叶基在运行时有效地求解给定的偏微分方程,这仅取决于偏微分方程的数据压缩性和椭圆度属性,同时打破维度灾难并缓解对原始问题中任何多尺度结构的线性依赖。本文建立了该方法的理论性能与Sobolev范数的收敛性分析的一般类的非常数扩散方程,以及指针的技术扩展的收敛性分析更一般的对流扩散反应方程。数值实验表明,良好的经验性能的多尺度和高维的例子问题,进一步展示了所提出的方法在实践中的承诺。
2023-02-01 cs.NA math.NA
A unified framework for multiscale spectral generalized FEMs and low-rank approximations to multiscale PDEs
本文提出一个统一抽象框架,用于分析和改进多尺度谱广义有限元方法(MS-GFEM),证明其指数收敛并建立多尺度PDE低秩逼近理论,推广了已有结果。
2024-12-17 cs.NA math.NA
A Concurrent Global-local Numerical Method for Multiscale PDEs
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);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院);Duke University(杜克大学);The State Key Laboratory of Scientific and Engineering Computing(计算数学与应用软件国家重点实验室)
本文提出一种新的混合数值方法,同时捕捉全局宏观信息并解决局部微观事件,适用于小区域。方法同时耦合了感兴趣区域的微观系数与其余区域的均质系数,收敛性对有界可测系数问题得到证明,对快速振荡周期或近周期系数问题建立了收敛率。
2017-07-01 cs.NA math.NA
Exponential Convergence for Multiscale Linear Elliptic PDEs via Adaptive Edge Basis Functions
本文提出了一种基于自适应边缘基函数的多尺度框架来求解具有粗糙系数的二阶线性椭圆偏微分方程。主要结果之一是,我们证明了所提出的多尺度方法实现了近似误差的计算自由度的指数收敛。我们的策略是执行一个能量正交分解的解决方案空间成一个粗尺度组件,包括$a$ -调和函数在每个元素的网格,和一个细尺度组件命名的气泡部分,可以本地和有效地计算。粗略比例分量完全取决于边缘上的函数值。我们在每个边缘上的近似是在狮子-Magenes空间$H_{00}^{1/2}(e)$中进行的,我们将证明这是一个自然而强大的选择。我们使用局部过采样和奇异值分解构造边缘基函数。当局部信息的右手边自适应纳入边缘基函数,我们证明了一个近似误差的指数收敛速度。数值实验验证和扩展我们的理论分析,特别是,我们没有观察到明显的退化,高对比度介质的问题的精度。
2021-04-24 cs.NA math.NA
A variational multiscale approach to PDE-constrained optimization problems arising in Data-Driven Computational Mechanics
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Centre Internacional de Mètodes Numèrics en Enginyeria (CIMNE)(国际工程数值方法中心);Instituto de Ciências Matemáticas e de Computacão, Universidade de São Paulo(圣保罗大学数学与计算科学研究所);University of Bergen(卑尔根大学)
本文提出了一种变分多尺度方法,用于数据驱动计算力学中PDE约束优化问题的稳定和一致有限元近似,通过不同子网格尺度选择实现了原始和对偶形式的转换,并通过实验验证了方法的性能。
2025-12-23 cs.NA math.NA
Quantum Algorithms for Multiscale Partial Differential Equations
本文针对多尺度偏微分方程求解困难的问题,提出基于原始方程或均匀化模型的量子算法,通过提升维度并结合Schrödingerization量子模拟降低计算成本,并比较不同方程和区域下的算法复杂度。
2023-04-14 cs.NA math.NA
A data-driven approach for multiscale elliptic PDEs with random coefficients based on intrinsic dimension reduction
我们提出了一个数据驱动的方法来解决多尺度椭圆偏微分方程的随机系数的基础上内在的低维结构的基础上的椭圆微分算子。我们的方法包括离线和在线阶段。在离线阶段,从数据中提取低维空间及其基,以实现解空间的显著降维。在在线阶段,提取的基将被用于有效地解决一个新的多尺度椭圆偏微分方程。低维结构的存在性是通过显示底层格林函数的高度可分性来建立的。根据问题设置的不同,提出了不同的在线构造方法。在建立数据驱动基的过程中,我们提供了基于采样误差和截断阈值的误差分析。最后,我们提出的数值例子来证明所提出的方法的准确性和效率。
2019-07-01 cs.NA math.NA physics.comp-ph
Online multiscale model reduction for nonlinear stochastic PDEs with multiplicative noise
针对带乘性噪声的随机偏微分方程(SPDE),提出了一种在线多尺度模型降阶法,其中扩散系数是空间多尺度的,噪声扰动非线性地依赖于扩散动力学.为了量化模型的不确定性和统计矩,需要有效地计算随机动力学的所有可能轨迹。多尺度扩散和非线性会导致计算的复杂性。为了克服多尺度问题,采用约束能量最小化广义多尺度有限元法(CEM-GMsFEM)对计算进行局部化,得到有效的粗模型。然而,CEM-GMsFEM的Galerkin投影应用于非线性SPDE后,非线性项仍然定义在精细尺度空间上。这严重影响了CEM-GMsFEM的模拟效率。为此,提出了一种随机在线离散经验插值方法(DEIM)来处理随机非线性。随机在线DEIM包括离线快照和在线快照。离线快照由随机动力学近似平均值处的非线性项组成,并用于构造离线降阶模型。在线快照包含当前新轨迹的一些信息,并用于以增量方式校正离线降阶模型。随机在线DEIM大大降低了非线性动力学的维数,提高了降阶模型的预测精度。因此,在线多尺度模型降阶是通过使用CEM-GMsFEM和随机在线DEIM。对非线性随机偏微分方程进行了先验误差分析。我们提出了几个数值例子,在非均匀多孔介质中的扩散,并显示所提出的模型降阶的有效性。
2022-04-25 cs.NA math.NA
Multiscale Neural Networks for Approximating Green's Functions
The Pennsylvania State University(宾夕法尼亚州立大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Emory University(埃默里大学)
本文提出多尺度神经网络用于高效近似格林函数,通过理论分析和实验验证,减少NN规模并提升训练效率。
2025-11-19 cs.NA math.NA
Topological spectral gap, multiscale Weyl's law, and homogenization in high-contrast PDEs
The Chinese University of Hong Kong(香港中文大学);Tongji University(同济大学)
本文提出统一抽象变分与拓扑框架,刻画高对比多尺度PDE的谱隙与特征值分布,证明谱隙位置由高对比夹杂局部零空间维数决定,并建立多尺度Weyl律。
2026-06-16 cs.NA math.AP math.NA
Multiscale reaction-diffusion algorithms: PDE-assisted Brownian dynamics
Mathematical Institute, University of Oxford(牛津大学数学研究所)
提出两种结合布朗动力学与平均场偏微分方程的算法,通过界面或重叠区域实现精确粒子追踪与连续描述耦合,并证明重叠区域对准确计算方差的重要性。
2012-06-25 cs.NA math.NA physics.comp-ph
Multiscale Elliptic PDEs Upscaling and Function Approximation via Subsampled Data
多尺度偏微分方程的数值放大与异构函数的分散数据逼近之间存在密切联系:为推导放大方程(前者)而选择的粗略变量对应于用于逼近(后者)的采样信息。因此,这两个问题都可以被认为是基于一些粗略数据来恢复目标函数,这些粗略数据要么是由升尺度算法人工选择的,要么是由一些物理测量过程确定的。然后,本文的目的是研究,在这样的设置和一个特定的椭圆问题,如何的粗数据的长度尺度,我们称之为二次采样的长度尺度,影响恢复的准确性,有限的计算预算。我们的分析和实验表明,减少子采样长度尺度可能会提高精度,这意味着在这种计算受限的情况下,粗粒度或数据采集的指导标准,特别是导致直接的见解,在数值均匀化文献中的Gamblets方法的实施。此外,如果目标函数不具有足够的规律性,则将长度尺度减小到零可能导致近似误差的放大,这表明需要对要近似的目标函数进行更强的先验假设。我们引入了一个奇异的权函数来处理它,从理论和数值上。这项工作揭示了粗糙数据的长度尺度,计算成本,目标函数的规律性,以及近似和数值模拟的准确性的相互作用。
2021-10-27 cs.NA math.NA
Adaptive multiscale model reduction with Generalized Multiscale Finite Element Methods
The Chinese University of Hong Kong(香港中文大学);Texas A&M University(德克萨斯农工大学);California Institute of Technology(加州理工学院)
本文提出一种自适应多尺度模型降维框架,针对高对比度和无尺度分离问题,通过广义多尺度有限元方法实现局部模型降维。
2016-04-28 cs.NA math.NA
Adaptive Reduced Basis Methods for Multiscale Problems and Large-scale PDE-constrained Optimization
本文介绍了模型降阶方法的最新进展,主要目的是为参数化多尺度现象构造在线有效的简化代理模型,并加速大规模PDE约束参数最优化方法。特别是,我们提出了几种不同的自适应RB方法,可用于在一个错误感知的信任区域框架,逐步建设的代理模型在认证的外部优化循环。此外,我们阐述了几个不同的增强信赖域缩减基(TR-RB)算法,并将其推广到参数约束。由于降阶模型的后验误差估计,所得到的算法可以被认为是相对于高保真模型认证。此外,我们使用先优化再离散的方法,以便最大限度地利用问题的底层最优性系统。在本论文的第一部分,理论是基于全球RB技术,使用一个精确的有限元离散作为高保真模型。在第二部分中,我们重点研究了局部模型降阶方法,并针对局部正交分解(LOD)多尺度方法,提出了一种新的在线高效降阶模型。该降阶模型内部基于LOD的双尺度公式,特别是独立于LOD的粗和细离散化。本文的最后一部分致力于结合TR-RB方法和局部RB方法的LOD结果。为此,我们提出了一种算法,使用自适应局部化的减少基础的信赖域局部化的基础(TR-LRB)算法的框架中的方法。TR-RB的基本思想被遵循,但所涉及的系统的有限元评估是完全避免的。
2022-11-17 cs.NA math.NA
Adaptive Finite Element Solution of Multiscale PDE-ODE Systems
Simula Research Laboratory(Simula研究实验室);Florida State University(佛罗里达州立大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);Colorado State University(科罗拉多州立大学);University of Wyoming(怀俄明大学);Umea University(于默奥大学)
本文提出自适应有限元方法求解多尺度PDE-ODE系统,通过引入耦合尺度连接微观和宏观模型,利用蒙特卡洛方法采样微观ODE,并基于伴随问题和可计算残差推导目标导向的误差估计,最终提出基于块的自适应求解方法。
2014-09-15 cs.NA math.NA
Linearized Localized Orthogonal Decomposition for Quasilinear Nonmonotone Elliptic PDE
本文提出一种受 LOD 启发的线性化多尺度方法,用于含空间多尺度系数的非单调拟线性椭圆 PDE,并通过两种线性化技术的适定性、收敛分析与数值实验验证其有效性。
2025-07-25 cs.NA math.NA
On the construction of conservative semi-Lagrangian IMEX advection schemes for multiscale time dependent PDEs
本文构造了一类新的隐式-显式Runge-Kutta(RK)时间推进的半拉格朗日(SL)格式,用于求解多时空时间尺度的偏微分方程.半拉格朗日(SL)方法完全耦合的空间和时间离散化,从而使使用RK策略特别难以结合。首先,一个简单的标量对流-扩散方程被认为是一个原型PDE的高阶制定的半拉格朗日IMEX算法的发展。偏微分方程的平流部分显式离散的SL技术的帮助下,而隐式离散的扩散项。其次,SL-IMEX方法扩展到处理双曲系统的多尺度,包括平衡法,涉及冲击波和其他不连续性。提出了一种新的SL技术,它是基于控制方程的时空控制体积,其中产生的每个网格点的运动的积分。通过使用IMEX RK计划结合Cauchy-Kowalevskaya程序,该程序提供了每个时空元素内的预测器解决方案,确保了高精度。一维浅水方程(SWE)的选择,以验证新的保守SL-IMEX格式,其中对流和压力通量显式和隐式处理。新的计划的渐近保持(AP)的性质也研究考虑松弛偏微分方程系统的SWE。大量的收敛性研究的非保守和保守的版本的新的类方法表明,形式的顺序的准确性实现和数值证据的保护属性。相应的弛豫系统的AP性质也进行了研究。
2021-07-14 cs.NA math.NA
Randomized quasi-optimal local approximation spaces in time
我们的目标是时间依赖的偏微分方程(PDE)的非均匀系数在空间和时间。为了解决这些问题,我们构造了在空间中定义的减少的基/多尺度分析函数,这些函数可以与模型降阶或多尺度方法中的时间步长方案相结合。为此,我们建议执行几个模拟的PDE的几个时间步并行开始在不同的,随机绘制的起始点,规定随机初始条件;应用奇异值分解的一个子集,因此获得的快照产生减少的基础/多尺度animator功能。这有助于以并行方式构造缩减基/多尺度自适应函数。详细地说,我们建议使用基于PDE的数据函数的数据依赖的概率分布来选择起始点。随机初始条件下的PDE的每个局部时间模拟在一个时间点上逼近局部逼近空间,该时间点在柯尔莫哥洛夫意义上是最优的。这些最佳的局部逼近空间的推导是由一个紧凑的传输算子,映射任意初始条件的PDE的解决方案,在稍后的时间点的左奇异向量所跨越的,是本文的另一个主要贡献。通过求解随机初始条件下的时间局部偏微分方程,我们构造了时间局部渐近空间,该空间可证明以准最优速率收敛,并允许局部误差控制。数值实验表明,所提出的方法可以优于现有的方法,如适当的正交分解,即使在一个连续的设置,是能够很好地近似对流主导的问题。
2022-10-01 cs.NA math.NA
A Neural-network-based multiscale Hybridizable Discontinuous Galerkin method for solving PDEs in porous media
ECPI University(ECPI大学);Old Dominion University(老道明大学)
该研究提出NN-MsHDG方法,用神经网络预测局部算子替代细尺度求解,中等对比度下可降低5至16倍在线计算成本,同时指出高对比度下需改进粗空间及算子表示。
2026-09-07 cs.NA math.NA
Space-time FLAVORS: finite difference, multisymlectic, and pseudospectral integrators for multiscale PDEs
本文提出一类新的刚性问题偏微分方程积分器,基于流平均方法,在空间和时间上使用介观步长,具有多尺度、通用、非侵入、双尺度收敛和保结构等性质。
2011-04-01 cs.NA math.AP math.DS
Bias Reduction by Multiscale Quasi-Interpolation for Scalar- and Manifold-Valued Functions
Tel Aviv University(特拉维夫大学)
本文提出多尺度近似作为偏差减少策略,通过引入偏差比度量,有效降低近似误差中的偏差部分,应用于流形值函数的散乱数据近似问题。
2026-09-15 cs.NA math.NA
Model Reduction for Multiscale Lithium-Ion Battery Simulation
University of Münster(明斯特大学)
本文提出了一种用于多尺度锂离子电池模拟的高效降维方法,通过减少基底方法处理非线性Butler-Volmer动力学,并结合经验算子插值和局部降维多尺度方法来解决热模型中的问题。
2016-02-29 cs.NA math.NA
Adaptive Iterative Numerical Homogenization for Quasilinear Nonmonotone Elliptic PDE
Institut für Numerische Simulation, Universität Bonn(波恩大学数值模拟研究所)
针对多尺度拟线性非单调椭圆问题,提出基于Kačanov迭代与局部正交分解的自适应迭代数值均匀化方法,通过局部误差指示器自适应更新多尺度基函数,证明了收敛性并给出了先验误差估计。
2026-06-26 cs.NA math.NA
Manifold Learning and Nonlinear Homogenization
我们描述了一个有效的区域分解为基础的非线性多尺度PDE问题的框架。该框架的灵感来自流形学习技术,并利用最近邻所跨越的切空间来压缩局部解流形。我们的框架被应用到一个半线性椭圆型方程与振荡介质和非线性辐射传输方程,在这两种情况下,观察到显着的改善功效。这种新方法不依赖于详细的分析了解的多尺度偏微分方程,如其渐近极限,因此是更通用的一般多尺度问题。
2021-11-08 cs.NA math.AP math.NA
Space-time multiscale model reduction for transport equations
The Chinese University of Hong Kong(香港中文大学);Texas A&M University(德克萨斯农工大学)
本文提出了一种用于传输方程的时空GMsFEM方法,通过时空多尺度基函数实现空间和时间尺度的耦合,提高降维效率并减少时间步长需求。
2018-04-25 cs.NA math.NA
Multiscale dimension reduction for flow and transport problems in thin domain with reactive boundaries
在本文中,我们考虑薄域中的流动和运输问题。本文中考虑的数学模型由速度、压力和浓度的方程组描述,其中流动由斯托克斯方程描述,输送由非定常对流-扩散方程描述,在壁上具有非齐次边界条件(反应边界)。我们从非结构网格上的问题的有限元近似开始,并将其用作二维和三维模型问题的参考解决方案。精细网格近似在网格水平上解决复杂的几何形状,并导致求解计算昂贵的大型离散方程组。为了减少的离散系统的大小,我们开发了一个多尺度模型简化技术,在那里我们构建本地多尺度基函数生成一个低维模型上的粗网格。所提出的多尺度模型降阶是基于不连续Galerkin广义多尺度有限元法(DG-GMsGEM)。在DG-GMsFEM中,我们首先为粗网格单元之间的每个界面构建快照空间,以捕获可能的流动。为了减少快照空间的大小,我们通过局部谱问题的解决方案进行降维,并使用对应于最小特征值的特征向量作为粗网格上的近似的多尺度基函数。对于输运问题,我们构造多尺度基函数的粗网格单元之间的每个接口,并提出额外的基函数捕捉非齐次边界条件的墙壁。最后,我们将提出一些数值模拟的三个测试几何的二维和三维问题,以证明该方法的性能。
2020-09-03 cs.NA math.NA
Mitigating spectral bias for the multiscale operator learning
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Shanghai Jiao Tong University(上海交通大学);University of Missouri-Kansas City(密苏里大学堪萨斯分校)
针对多尺度偏微分方程中神经算子的低频谱偏差问题,本文提出层次注意力神经算子HANO,通过尺度自适应交互、多层次自注意力和经验$H^1$损失增强高频学习,在代表性多尺度问题上超越SOTA方法。
2024-06-09 cs.AI cs.LG cs.NA
Multiscale model reduction technique for fluid flows with heterogeneous porous inclusions
本文讨论了二维粘性流体在圆形多孔夹杂中及其周围流动问题的数值处理。数学模型在自由流区域$Ω_f$中采用Navier-Stokes方程描述,在多孔子区域$Ω_p$中采用非线性对流Darcy-Brinkman-Forchheimer方程描述。众所周知,在这样的非均质域中的问题的数值解需要非常精细的计算网格,其在网格水平上解决夹杂物。相关系统的尺寸改变需要模型缩减技术。在这里,我们提出了一个多尺度模型简化技术的基础上,广义多尺度有限元法(GMsFEM)。我们讨论了构造的多尺度基函数的速度场的局部问题的解决方案的基础上,有和没有过采样策略。三个测试用例被认为是一个给定的选择的三个关键模型参数,即雷诺数($Re$),Forchheimer系数($C$)和达西数($Da$)。对于试验运行,雷诺数值取$Re = 1, 10, 100$,而Forchheimer系数和达西数分别选择为$C= 1, 10$和$Da = 10^{-5}, 10^{-4}, 10^{-3}$。我们数值研究的收敛性的方法,因为我们在每个域中的多尺度基函数的数量增加,并观察到良好的性能的多尺度方法。
2022-09-02 cs.NA math.NA
Edge Multiscale Methods for elliptic problems with heterogeneous coefficients
Chinese University of Hong Kong(香港中文大学);Imperial College London(帝国理工学院)
本文提出两种新的边多尺度方法,用于求解具有高对比度异质系数的偏微分方程:边谱多尺度有限元方法(ESMsFEM)和基于小波的边多尺度有限元方法(WEMsFEM)。通过大量数值实验验证了这些方法在高对比度异质系数椭圆问题中的收敛率,该收敛率与粗网格尺寸H、谱基函数数量以及小波空间的层次ℓ有关。
2018-10-24 cs.NA math.NA
MultiAdam: Parameter-wise Scale-invariant Optimizer for Multiscale Training of Physics-informed Neural Networks
Tsinghua University(清华大学);Zhili College, Tsinghua University(清华大学致理书院)
针对 PINNs 训练中损失不平衡且缺乏理论保证的问题,本文分析二阶非齐次 PDEs 并提出逐参数尺度不变优化器 MultiAdam,在多物理问题上将预测精度提升 1–2 个数量级。
2023-06-05 cs.LG cs.NA math.NA
Adaptive multiscale model reduction for nonlinear parabolic equations using GMsFEM
本文提出了一种耦合的离散经验插值方法(DEIM)和广义多尺度有限元法(GMsFEM)求解非线性抛物型方程,并将其应用于Allen-Cahn方程。Allen-Cahn方程是描述非线性反应-扩散过程的模型。它通常用于模拟界面运动的时间,例如合金中的相分离。GMsFEM允许通过在粗网格上构造解的降阶表示来以降低的计算成本解决多尺度问题。在arXiv:1301.2866中,GMsFEM提供了一种灵活的工具,通过构建适当的快照,离线和在线空间来解决多尺度问题。在本文中,我们解决了一个不定常的问题,其中使用在线富集。主要贡献是比较不同的在线富集方法。更具体地说,我们比较均匀的在线富集和自适应方法。我们还比较了两种自适应方法。此外,我们使用DEIM,降维方法,以减少复杂性时,我们评估的非线性项。我们的研究结果表明,DEIM可以近似的非线性项,而不会显着增加的误差。最后,我们将我们提出的方法应用于Allen Cahn方程。
2020-06-24 cs.NA math.NA
MeshTok: Efficient Multi-Scale Tokenization for Scalable PDE Transformers
School of Mathematical Sciences, University of Science(科学学院,科学大学);Suzhou Institute for Advanced Research, University of Science(先进研究院,科学大学)
提出受自适应网格细化启发的MeshTok框架,通过多尺度分词化在统一Transformer中同时捕获粗粒度全局上下文和细粒度局部细节,改善PDE建模的效率-准确率权衡。
2026-06-03 cs.LG cs.NA math.NA
A conservative local multiscale model reduction technique for Stokes flows in heterogeneous perforated domains
The Chinese University of Hong Kong(香港中文大学);Institute of Mathematics and Informatics, North-Eastern Federal University(北联邦大学数学与计算机科学研究所);Texas A&M University(德克萨斯农工大学)
本文提出一种新的多尺度降维技术,用于异质孔隙域中的斯托克斯流问题,通过构建局部快照空间和谱问题识别主导模式,以提高计算效率并保持质量守恒。
2016-08-25 cs.NA math.NA
Multiscale modeling for problems with high contrast heterogeneous coefficients by the CEM-GMsFEM
The Chinese University of Hong Kong(香港中文大学);Texas A & M University(德克萨斯农工大学);City University of Hong Kong(香港城市大学)
综述约束能量最小化广义多尺度有限元法(CEM-GMsFEM),通过谱辅助空间和过采样构造多尺度基函数,实现局部计算和指数误差衰减,用于求解高对比异质系数椭圆PDE。
2026-06-09 cs.NA math.NA
Causality and Bayesian network PDEs for multiscale representations of porous media
提出基于贝叶斯网络将因果关系构建到随机多尺度模型中,通过微分互信息的全局敏感性分析量化微观参数对宏观特性的影响,为多孔材料设计提供新方法。
2019-01-06 cs.NA math.NA stat.ML
Rigorous modelling of nonlocal interactions determines a macroscale advection-diffusion PDE
一个缓慢变化的或薄层多尺度的假设,使宏观尺度上的许多物理场景的理解,从分散在管道和河流,包括梁,壳,非线性波的调制,均匀化的微观结构。在这里,我们开始一个新的探索的情况下,给定的物理具有非局部微尺度相互作用。我们严格地分析了一个基本的例子,剪切分散的动力学。在每个横截面附近,动态表示在微尺度非局部效应的局部矩中。中心流形理论,然后支持本地建模的系统的动态耦合到相邻的横截面作为一个非自治的强迫。工会在所有的横截面,然后提供了强大的新的支持的存在和出现的宏观模型对流扩散PDE全球的大,有限大小的域。该方法量化了宏观尺度对流扩散近似的准确性,并有可能打开以前棘手的多尺度问题的新见解。
2020-01-21 cs.NA math.DS math.NA
Balance-Guided Sparse Identification of Multiscale Nonlinear PDEs with Small-coefficient Terms
State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences, Beijing 100190, China(非线性力学国家重点实验室,力学研究所,中国科学院,北京100190,中国);School of Engineering Sciences, University of Chinese Academy of Sciences, Beijing 100049, China(中国科学院大学工程科学学院,北京100049,中国);School of Mathematics and Statistics, Northwestern Polytechnical University, Xi'an 710072, China(西北工业大学数学与统计学院,西安710072,中国)
本文提出平衡引导SINDy方法,通过项级ℓ_{2,0}正则化和渐进剪枝策略,有效识别多尺度非线性PDE中系数小的项。
2026-04-20 cs.LG cs.NA math.NA
In-situ adaptive reduction of nonlinear multiscale structural dynamics models
常规的在参数空间的预定区域中的降阶基的离线训练导致易受外推影响的参数降阶模型。只要查询的参数点位于参数空间的未探索区域中,就会出现此漏洞。本文解决了这个问题,提出了一个原位,自适应框架的非线性模型减少计算默认在线执行,并根据需要转移离线。该框架是基于本地降阶基(ROBs)的数据库的概念,其中本地定义在参数空间的兴趣。它通过实时更新预先计算的ROB,并使用一系列最合适的局部ROB沿其轨迹逼近动力系统的解来实现精度。它通过管理局部ROB的维度,并在过程中引入超约简来实现效率。虽然足够全面,框架中描述的背景下,在固体力学的动态多尺度计算。在这种情况下,即使在宏观问题的非参数设置中,并且当考虑到所有离线、在线和自适应开销成本时,所提出的计算框架也可以将单个三维、非线性、多尺度计算加速一个数量级。数量级,而不影响准确性。
2020-03-31 cs.NA math.NA
Adaptive multiscale model reduction for linear elasticity equation in perforated domains
Xiangtan University(湘潭大学);The Chinese University of Hong Kong(香港中文大学)
提出约束能量最小化广义多尺度有限元法求解穿孔域线弹性问题,通过离线构造局部能量最小化基函数捕捉穿孔引起的细尺度几何信息,在线阶段采用残差驱动基函数自适应提高精度,并证明收敛性。
2026-06-09 cs.NA math.NA
Algebraic Multiscale Method for two--dimensional elliptic problems
本文介绍一种求解二维问题的代数多尺度方法。该方法采用基于四边形离散有限元空间的广义多尺度有限元法。在一维代数多尺度方法的基础上,利用降维技术构造多尺度基函数。此外,矩函数被认为是局部基函数之间的连续性。给出了一些有代表性的数值结果。
2022-01-25 cs.NA math.NA
A reduced order Schwarz method for nonlinear multiscale elliptic equations based on two-layer neural networks
本文提出一种基于区域分解、加速Schwarz框架和两层神经网络的求解器,通过离线训练神经网络作为子域边界到边界映射的替代,高效求解多尺度完全非线性椭圆方程,在准确性与泛化性上表现良好。
2022-03-07 cs.NA math.NA
Computational multiscale methods for nondivergence-form elliptic partial differential equations
本文提出基于局部正交分解的非散度型椭圆方程计算多尺度方法,通过细尺度局部单元问题构造算子自适应粗空间,并证明LOD方法在非散度型问题中仍保持超越尺度分离与周期性的适用性和精度。
2023-06-24 cs.NA math.NA
Multiscale model reduction and two-level Schwarz preconditioner for H(curl) elliptic problems
针对异质 H(curl) 椭圆问题的旋度协调有限元线性系统,提出基于 MS-GFEM 的指数收敛模型降阶及两层限制加性 Schwarz 预条件子,并通过二维、三维实验验证其降维优势。
2025-06-09 cs.NA math.NA
Multiscale model reduction method for Bayesian inverse problems of subsurface flow
Institute of Mathematics, Hunan University(湖南大学数学研究所);College of Mathematics and Econometrics, Hunan University(湖南大学数学与计量经济学学院)
本文提出了一种多尺度降阶方法用于地下流体的贝叶斯反问题,通过通用多尺度有限元方法和最小二乘随机配点法构建降阶模型,结合超参数和截断Karhunen-Loève展开以提高计算效率和收敛速度。
2016-04-01 cs.NA math.NA
Re-iterated multiscale model reduction using the GMsFEM
The Chinese University of Hong Kong(香港中文大学);Texas A&M University(德克萨斯农工大学);Institute of Mathematics and Informatics, North-Eastern Federal University(北联邦大学数学与信息学研究所)
本文提出基于GMsFEM的重新迭代方法,通过多次迭代构建多尺度基函数,用于解决具有高对比度和无尺度分离问题的多孔介质流动问题。
2016-06-18 cs.NA math.NA