首页/论文/2004.03288

arXiv 2004.032882020-04-07math.NAcs.NA

SR分解中的近最优标度

Nearly optimal scaling in the SR decomposition

Heike Fassbender, Miroslav Rozloznik, Sanja Singer

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们分析了近最佳块对角缩放的行的一个因素和列的其他因素的三角形形式的SR分解。这个结果是van der Sluis关于一般矩形矩阵的几乎最优对角标度的结果的块推广。

英文摘要：

In this paper we analyze the nearly optimal block diagonal scalings of the rows of one factor and the columns of the other factor in the triangular form of the SR decomposition. The result is a block generalization of the result of the van der Sluis about the almost optimal diagonal scalings of the general rectangular matrices.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

几乎奇异积分的quadrature分解与共形映射技巧

Decomposition and conformal mapping techniques for the quadrature of nearly singular integrals

Gauss-Legendre积分和梯形法则是解析函数的数值积分的有力工具。然而，对于几乎奇异的问题，这些标准方法变得令人无法接受的慢。我们讨论和推广了一些现有的方法，以改善这些计划的位置附近的奇异性是已知的。最后，我们的应用程序的粘性流的一些近奇异曲面积分。

2022-10-18cs.NAmath.NA

嵌入式单纯复形的Hodge分解和一般Laplacian解

Hodge Decomposition and General Laplacian Solvers for Embedded Simplicial Complexes

我们描述了一个近似线性时间算法来求解由复形的第一个贝蒂数参数化的线性系$L_1x = b$，其中$L_1$是单纯复形$K$的1-Laplacian，单纯复形$K$是线性嵌入$\mathbb{R}^{3}$中的可折叠复形$X$的子复形。我们的算法推广了Black等人的工作。[SODA 2022]解决了相同的问题，但要求$K$具有平凡的第一同源性。我们的算法适用于复杂的$K$与任意的第一个同源的运行时间是近线性的复杂和多项式的大小相对于第一个贝蒂数。我们求解器的关键是一种用于计算近线性时间内$K$ 1-链的霍奇分解的新算法。此外，我们的算法意味着一个近二次求解器和近二次霍奇分解的1-拉普拉斯算子的任何单纯复形$K$嵌入在$\mathbb{R}^{3}$，因为$K$总是可以扩展到一个可折叠的嵌入式复杂的二次复杂性。

2022-05-04cs.CGcs.NAmath.NA

基于区域分解的线性 Poisson--Boltzmann 方法的线性标度力计算

Linear scaling computation of forces for the domain-decomposition linear Poisson--Boltzmann method

本文推导了基于区域分解的 ddLPB 方法的解析力，提出利用快速多极子方法 (FMM) 实现随原子数线性标度的高效计算策略，并通过数值测试验证了其准确性与效率。

2022-12-09cs.NAmath.NA

基于分解的物理信息神经网络鲁棒训练方法用于近不可压缩线弹性问题

A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity

School of Mathematics and Statistics, University of New South Wales（数学与统计学学院，新南威尔士大学）；Department of Mathematics, Inha University（数学系，inha大学）

针对近不可压缩弹性问题中PINNs的锁定失稳，提出基于分解的鲁棒训练框架，通过重构平衡子系统消除病态性，并同时求解正逆问题，数值实验验证了其有效性。

2025-10-23cs.LGcs.NAmath.NA

逐次秩一近似用于近似正交可分解对称张量

Successive Rank-One Approximations for Nearly Orthogonally Decomposable Symmetric Tensors

Columbia University（哥伦比亚大学）

本文研究了在存在扰动时，逐次秩一近似方法仍能稳健地恢复对称张量的对称canonical分解，证明了在扰动足够小时，近似误差不随迭代次数累积。

2017-05-29cs.NAmath.NA

基于插值分解蝶形分解的球谐变换快速应用

Rapid Application of the Spherical Harmonic Transform via Interpolative Decomposition Butterfly Factorization

我们描述了一个算法的应用程序的正向和逆球谐变换。它是基于一种新的方法，快速计算的正，逆关联勒让德变换分层应用插值分解蝴蝶因子分解（IDBF）。实验证据表明，我们的方法的总运行时间-包括所有必要的预计算-是$\mathcal{O}(N^2 \log^3(N))$，其中$N$是转换的顺序。这几乎是渐近最优的。此外，与现有的算法是渐近最优或接近，我们的算法的运行时间常数是足够小，使其具有竞争力的国家的最先进的$\mathcal{O}\left(N^3\right)$方法在相对较小的值$N$。数值结果表明了新框架的有效性和数值稳定性。

2021-08-28cs.NAmath.NA

更多相关论文收起更多论文

动态模式分解：理论与数据重构

Dynamic Mode Decomposition: Theory and Data Reconstruction

动态模式分解（DMD）是一种数据驱动的分解技术，提取时间相关现象的时空模式。在本文中，我们对DMD的各种变体进行了全面的理论分析。我们提供了一个系统的进步，这些和检查的相互关系。此外，每个变量的几个结果被证明。我们的主要结果是精确的重建性质。为此，提出了一种新的修改比例因子，并引入了一个新的概念，误差缩放，以保证无错误的数据重建。

2022-02-14cs.NAmath.NA

基于粒子微宏观分解的数值方案用于扩散尺度下的碰撞动能方程

A particle micro-macro decomposition based numerical scheme for collisional kinetic equations in the diffusion scaling

INRIA Rennes - Bretagne Atlantique（法国国家信息与自动化研究所雷恩-大西洋布列塔尼中心）；Laboratoire de Mathématiques Jean Leray, CNRS UMR 6629, Université de Nantes（南特大学让·勒雷数学实验室，CNRS UMR 6629）；Institut de Recherche Mathématiques de Rennes, CNRS UMR 6625, Université de Rennes 1（雷恩大学1号数学研究中心，CNRS UMR 6625）；ENS Rennes（雷恩高等师范学院）

本文提出基于微宏观分解的粒子方案，用于线性动能方程的扩散极限情况，通过重构微宏观系统为连续PDE，减少刚性，提升稳定性与计算效率。

2017-01-18cs.NAmath.NA

扩散近似与线性输运方程的域分解方法：渐近行为与数值方法

Diffusion approximations and domain decomposition method of linear transport equations: asymptotics and numerics

California Institute of Technology（加州理工学院）；Duke University（杜克大学）；Simon Fraser University（西蒙菲莎大学）

本文构造了近似线性输运方程的数值方案，通过扩散方程处理纯扩散尺度和混合动能与扩散尺度情况，利用渐近分析和层分析推导扩散方程及其数据，并通过数值实验和误差分析验证算法有效性。

2015-02-05cs.NAmath.NA

迈向最优标度DFT：热力学与完备基组极限下任意温度的随机Hartree理论

Toward optimal-scaling DFT: stochastic Hartree theory in the thermodynamic and complete basis set limits at arbitrary temperature

本文首次对Hartree近似下的随机密度泛函理论（DFT）进行数学分析，提出一种结合随机估计器、随机镜像下降和极点展开的算法，在热力学与完备基组极限下实现近最优标度，并经大规模数值实验验证。

2025-06-02cs.NAmath.NA

特征模分解的计算问题--综述

Computational Aspects of Characteristic Mode Decomposition -- An Overview

特征模理论的几乎所有实际应用都涉及到计算工具的使用。在CM系列的第2篇文章中，我们回顾了CM从连续理论框架到与数值方法兼容的离散表示的一般转换。我们还回顾了几个关键的主题，计算CM，包括模态跟踪，动态范围，代码验证，电大问题，和非PEC技术。

2021-09-28cs.NAmath.NA

扩散标度下Vlasov-BGK方程的混合动力学/流体数值方法

Hybrid Kinetic/Fluid numerical method for the Vlasov-BGK equation in the diffusive scaling

本文提出了一种求解具有扩散尺度的线性碰撞动力学方程的混合数值方法。该方法的目的是通过利用渐近流体模型的低维性来降低动力学方程的计算成本，同时减少由后一种方法引起的误差。它依赖于两个标准的微扰的方法来获得一个动态的区域分解。第一个标准量化了粒子的分布函数离局部速度平衡有多远。第二种方法只依赖于整个计算域中可用的宏观量。交界条件处理使用微观-宏观分解和方法是显着更有效的比一个标准的全动力学方法。混合方法的一些性质也进行了研究，如质量守恒。

2022-02-08cs.NAmath.NA

高频非均匀亥姆霍兹方程的指数收敛多尺度方法

Exponentially convergent multiscale methods for high frequency heterogeneous Helmholtz equations

在本文中，我们提出了一个多尺度框架求解Helmholtz方程在非均匀介质中没有尺度分离，在高频区的波数$k$可以很大。主要的创新是，我们的方法实现了近指数收敛速率相对于计算的自由度，使用粗网格的网格步长$O(1/k)$，而不遭受众所周知的污染效应。其关键思想是一个非重叠的区域分解及其相关的粗-细尺度分解的解决方案空间，适应介质的属性和波数，这种分解的灵感来自多尺度有限元法（MsFEM）。我们表明，粗的部分是\textit{low complexity}的意义上说，它可以近似通过局部基函数的收敛速率接近指数，由于紧凑的限制算子，映射亥姆霍兹调和函数，他们的插值残留的边缘，而精细的部分是\textit{local}，它可以有效地计算使用的局部信息的右手边。这两个部分的组合产生了我们的多尺度方法的总体接近指数的收敛速率。我们的方法在文献中，我们将详细评论多尺度方法绘制了许多连接。我们证明了我们的方法的有效性，理论和数值;指数收敛速率一致观察和确认。此外，我们观察到我们的方法的鲁棒性，在媒体数值上的高对比度。在我们的论述中，我们特别关注2D问题，因为在这种情况下，非重叠区域分解的几何形状最容易解释;最后将概述3D的推广。

2022-10-20cs.NAmath.NA

物理引导的问题分解用于高维本征解算器的缩放深度学习：薛定谔方程的情况

Physics-Guided Problem Decomposition for Scaling Deep Learning of High-dimensional Eigen-Solvers: The Case of Schrödinger's Equation

The Ohio State University（俄亥俄州立大学）；Binghamton University（宾汉姆顿大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Virginia Tech（弗吉尼亚理工大学）

鉴于其有效学习非线性映射和执行快速推理的能力，深度神经网络（NN）已被提出作为传统模拟驱动方法的可行替代方案，用于求解高维特征值方程（HDE），这是许多科学应用的基础。不幸的是，为了使这些科学应用中的学习模型实现泛化，通常需要大型、多样且优选地注释的数据集，并且获得该数据集在计算上是昂贵的。此外，学习的模型往往是内存和计算密集型的，主要是由于输出层的大小。虽然普遍化，特别是外推，与稀缺的数据已被尝试施加物理限制的形式的物理损失，模型的可扩展性的问题仍然存在。在本文中，我们减轻了计算瓶颈的输出层，通过使用物理知识分解的复杂的回归预测高维特征向量的任务分解成多个简单的子任务，每个任务是由一个简单的“专家”网络学习。我们将由此产生的专业专家体系结构称为物理指导的专家混合（PG-MoE）。我们证明了这种物理指导的问题分解的薛定谔方程在量子力学的情况下的有效性。我们提出的PG-MoE模型预测了基态解，即，对应于最小可能特征值的特征向量。该模型比训练用于学习复杂任务的网络小150倍，同时在泛化方面具有竞争力。为了提高PG-MoE的推广，我们还采用了物理指导的损失函数的基础上变分能量，量子力学原理是最小化的，当输出是基态解。

2022-02-15cs.LGcs.NAmath.NA

半离散熵最优运输的近紧收敛界

Nearly Tight Convergence Bounds for Semi-discrete Entropic Optimal Transport

Université Paris-Saclay（巴黎萨克雷大学）；Inria Saclay（法国国家信息与自动化研究所萨克雷中心）

我们得到了熵半离散最优运输的解的近紧和非渐近收敛界。这些界限量化了正则化问题（有时称为Sinkhorn势）的对偶解的稳定性。正则化参数，我们确保比Lipschitz依赖性更好。这样的事实可能是第一步走向退火或$\varepsilon$ -缩放算法的数学理由的数值分辨率的正则化半离散最优传输。我们的研究结果还需要一个非渐近和紧张的熵和非正则化成本之间的差异的扩展。

2021-12-22cs.AIcs.NAmath.NA