Stabilized and inexact adaptive methods for capturing internal layers in quasilinear PDE
Texas A&M University(德克萨斯农工大学)
本文提出了一种自适应方法,通过稳定化和近似步骤在粗网格上求解具有内部和可能边界层的准线性扩散问题,通过网格细化捕捉内部层并最终获得精确解。
2016-02-14 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
Asymptotic Properties of Monte Carlo Methods in Elliptic PDE-Constrained Optimization under Uncertainty
研究了随机线性椭圆型偏微分方程约束最优化问题的Monte Carlo近似。我们使用经验过程理论获得最佳值和解决方案的最佳可能的平均收敛速度$O(n^{-\frac{1}{2}})$,和最优值的中心极限定理。后者允许通过使用恢复技术来确定渐近一致的置信区间。
2021-06-11 cs.NA math.NA math.OC
Best approximation results and essential boundary conditions for novel types of weak adversarial network discretizations for PDEs
本文对高维偏微分方程的弱对抗网络(WAN)方法做理论分析,证明离散解存在性与拟最佳逼近估计,提出两种稳定化WAN公式,分析其Dirichlet边界问题有效性,还设计出收敛更快的伪时间XNODE神经网络。
2024-01-29 cs.NA math.NA
Density estimation for elliptic PDE with random input by preintegration and quasi-Monte Carlo methods
School of Mathematics and Statistics, UNSW Sydney(新南威尔士大学悉尼数学与统计学院)
本文首次将带预积分步骤的准蒙特卡罗方法用于带随机输入椭圆型PDE的UQ密度估计,通过预积分消除积分不连续性,证明QMC误差可达$\nmathcal{O}(N^{-1+ε})$的速率,并通过数值结果验证了理论。
2024-09-29 cs.NA math.NA
Three types of quasi-Trefftz functions for the 3D convected Helmholtz equation: construction and approximation properties
本文针对对流亥姆霍兹方程,定义并构造了三类拟Trefftz函数(两类基于平面波推广,一类为多项式),并分析其逼近性质,其中多项式基避免了波类基的病态条件问题。
2024-07-22 cs.NA math.NA
Singular parameters and missing limits in neural PDE solvers
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学)
本文针对神经PDE求解器中因参数无界增长导致的缺失极限问题,通过分析tanh网络并添加核导数来补全模型,使最佳逼近可达,并数值验证了其对优化的影响。
2026-10-06 cs.LG cs.NA math.NA
A quasi-optimal variant of the Hybrid High-Order method for elliptic PDEs with $H^{-1}$ loads
Université Paris-Est, CERAMICS (ENPC)(巴黎东大学,CERAMICS (ENPC));INRIA Paris(法国国家信息与自动化研究所巴黎分院);TU Dortmund Fakultät für Mathematik(多特蒙德工业大学数学学院)
本文提出了一种适用于H^{-1}(Ω)载荷的混合高阶方法变体,通过使用断裂多项式空间中的H^1范数最佳误差来界定了H^1范数误差,并通过对偶性改进了L^2范数误差界。
2019-04-30 cs.NA math.NA
Reciprocal-log approximation and planar PDE solvers
这篇文章是关于逼近论和偏微分方程(PDE)的数值解的。首先,我们介绍了{ \em倒数对数}或{ \em对数闪电逼近}的概念,具有分支点奇点的解析函数在点$\{z_k\}$由形式为$g(z) = \sum_k c_k /(\log(z-z_k) - s_k)$的函数,其中有$N$极点潜在地沿黎曼曲面分布。我们证明了最佳倒数对数近似的误差相对于$N$呈指数下降,并且指数或近指数收敛(即,速率为$O(\exp(-C N / \log N))$)也适用于具有通过边界上的线性最小二乘拟合构造的预先指定的奇点的近最佳逼近。然后,我们应用这些结果来获得一个“对数闪电法”的数值解拉普拉斯和相关的偏微分方程在二维区域的角奇异性。与基于有理函数的原始闪电方法的根指数收敛相比,该方法的收敛性是近指数的。
2020-10-05 cs.NA math.NA
A space-time quasi-Trefftz DG method for the wave equation with piecewise-smooth coefficients
针对经典Trefftz方法仅适用于分段常系数线性PDE的局限,提出一种求解分段光滑波速声波方程的时空准Trefftz DG方法,证明其稳定性与高阶收敛性,构造了可计算的多项式基函数。
2022-07-12 cs.NA math.NA
Approximation of Periodic PDE Solutions with Anisotropic Translation Invariant Spaces
University of Kaiserslautern(凯泽斯劳滕工业大学)
本文研究了在各向异性晶格上利用翻译不变空间对线弹性准静态方程进行近似,统一了不同基于FFT的离散化方法,并展示了数值优势。
2017-05-02 cs.NA math.NA
Quasi-Monte Carlo and discontinuous Galerkin
本研究针对含随机系数的椭圆型偏微分方程的非协调间断伽辽金近似,开发定制化准蒙特卡洛求积法,证明其收敛速率与连续有限元情形一致,推导的参数正则性界可用于其他方法,数值结果验证了理论结论。
2024-12-11 cs.NA math.NA
Error bounds for PDE-regularized learning
Freie Universität Berlin(柏林自由大学)
在这项工作中,我们考虑的监督学习问题的正则化偏微分方程(PDE),并获得误差界的PDE误差项和数据误差项的近似。假设目标函数满足未知PDE,PDE误差项量化了用于正则化的辅助PDE对该PDE的近似程度。它示出,如果提供更多的数据,这个误差项减小。数据误差项量化了给定数据的准确性。此外,偏微分方程正则化的学习问题的离散化广义伽辽金离散化解决相关的最小化问题的无限维函数空间的子集,这不一定是子空间。对于这样的离散误差界的PDE误差,数据误差,和最佳逼近误差。
2020-03-14 cs.LG cs.NA math.NA
Trust Region Method for Coupled Systems of PDE Solvers and Deep Neural Networks
基于物理的机器学习和逆建模需要解决病态非凸优化问题。SGD和ADAM等一阶方法以及BFGS和L-BFGS等拟牛顿法已成功应用于计算工程逆问题中涉及深度神经网络的最优化问题。然而,经验证据表明,这些方法的收敛性和准确性仍然是一个挑战。我们的研究揭示了这些方法在应用于偏微分方程(PDE)和深度神经网络(DNN)的耦合系统时的至少两个内在缺陷:(1)收敛通常很慢,具有很长的平台,这使得难以确定该方法是否收敛;(2)拟牛顿法不能提供黑塞矩阵的足够精确的近似;这通常导致提前终止(尽管所获得的误差远不是最小的,但满足优化器的停止标准之一)。基于这些观察,我们建议使用置信域方法优化偏微分方程和动态神经网络的耦合系统。具体来说,我们开发了一种二阶物理约束学习算法,这是一种基于计算图计算黑塞矩阵的有效技术。我们表明,置信域方法克服了许多缺陷,并表现出显着的快速收敛和优越的精度相比,ADAM,BFGS,L-BFGS。
2021-05-17 cs.NA math.NA
Approximation of probability density functions for PDEs with random parameters using truncated series expansions
用截断级数展开法近似求解含随机参数的偏微分方程,得到了随机变量的密度函数。随机偏微分方程的求解采用两种随机有限元法,蒙特卡罗抽样和随机Galerkin方法与整体多项式。随机变量是随机PDE的解的函数,例如物理域上的平均值。截断级数是考虑Gram-Charlier级数或Edgeworth级数展开式中的有限项而得到的。这些展开式根据另一个PDF来近似随机变量的PDF,并且涉及作为随机变量的已知累积量的函数的系数。据我们所知,他们的使用随机参数的偏微分方程的框架尚未被探索。
2020-09-23 cs.NA math.NA
Finite element analysis of density estimation using preintegration for elliptic PDE with random input
School of Mathematics and Statistics, UNSW Sydney(新南威尔士大学数学与统计学院)
本文分析随机输入椭圆型PDE密度估计中预积分方法的有限元误差,证明其满足理论假设,并给出与期望值计算同阶的收敛速度。
2025-10-26 cs.NA math.NA
A PDE approach to fractional diffusion in general domains: a priori error analysis
University of Maryland(马里兰大学)
通过将分数阶算子实现为半无限圆柱上退化/奇异椭圆问题的Dirichlet-to-Neumann映射,提出截断和有限元离散方法,并给出加权Sobolev空间中的先验误差估计。
2013-02-04 cs.NA math.NA
PDE-constrained optimization for electroencephalographic source reconstruction
介绍了一种新的脑电逆问题的数值方法。我们提出的逆EEG问题作为一个最优控制(OC)问题的泊松方程。最优性条件导致变分系统的微分方程。它是直接在有限元空间离散导致一个线性方程组与稀疏的Karush-Kuhn-Tucker矩阵系统。该方法使用有限元离散化,因此可以处理几乎任意复杂的基于MRI的网格。它扩展了众所周知的混合准可逆性方法(mQRM),在逐点噪声数据明确出现在配方中,使不必要的繁琐的插值的噪声数据从电极到头皮表面。由此产生的代数问题有很大的不同,从混合准可逆性,但只是稍微大。该算法的一个有趣的特点是,它不需要形成的铅场矩阵。我们的测试,无论是球形和基于MRI的网格,表明该方法准确地重建皮质活动。
2022-04-13 cs.NA math.NA
Optimal complexity of adaptive FEM for second-order linear elliptic PDEs driven by non-residual estimators, Part I: Symmetric PDEs
TU Wien(维也纳工业大学);University of Twente(特温特大学)
研究对称二阶线性椭圆型偏微分方程的自适应有限元方法,在特定假设下证明算法能无条件全R线性收敛,对足够小参数保证最优复杂度,重点分析如基于平均的非残差估计器。
2026-07-17 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
Sparse polynomial approximation of parametric elliptic PDEs. Part II: lognormal coefficients
研究对数正态形式扩散系数的椭圆PDEs的Hermite多项式展开的ℓ^p求和性质,改进了最佳n项截断Hermite展开的逼近率估计。
2015-09-23 cs.NA math.AP math.NA