On multi-step extended maximum residual Kaczmarz method for solving large inconsistent linear systems
提出多步扩展最大残差Kaczmarz方法求解大型不相容线性系统,理论证明收敛并给出上界,数值实验显示其优于现有方法。
2023-09-06 cs.NA math.NA
Secant acceleration of sequential residual methods for solving large-scale nonlinear systems of equations
针对序列残差法在临界情形收敛慢的问题,本文提出用序列正割法的一种变体进行加速,并在偏微分方程离散化产生的大规模非线性方程组上验证了性能。
2021-07-29 cs.NA math.NA
On maximum residual block Kaczmarz method for solving large consistent linear systems
本研究针对大型相容线性方程组求解问题,提出最大残差块Kaczmarz方法及无需伪逆计算的最大残差平均块Kaczmarz方法,证明收敛性并给出收敛上界,实验验证其性能优于部分现有块Kaczmarz方法。
2024-04-15 cs.NA math.NA
A Priori Error Estimation of Physics-Informed Neural Networks Solving Allen--Cahn and Cahn--Hilliard Equations
SandGold AI Research(SandGold AI研究院);University of Macau(澳门大学);Xiamen University(厦门大学);Sichuan University(四川大学);South China Agricultural University(华南农业大学);Macau University of Science and Technology(澳门科技大学)
本文提出残差RAE-PINNs方法,通过改进权重更新机制提高求解AC和CH方程的精度,并推导了误差估计理论。
2026-02-24 cs.NA math.NA math.OC
Solving Minimal Residual Methods in $W^{-1,p'}$ with large Exponents $p$
提出在 $W^{-1,p'}(Ω)$ 范数中最小化 PDE 残差的数值格式,并以正则化 Kacanov 迭代处理大指数 $p\gg 2$,从而改善对流占优扩散问题中有限元方法的稳定性。
2023-12-08 cs.NA math.NA
On a weighted quasi-residual minimization strategy of the QMR method for solving complex symmetric shifted linear systems
Nagoya University(名古屋大学);Tottori University(鸟取大学);The University of Tokyo(东京大学)
针对复对称移位线性系统,提出一种加权准最小残差方法(shifted QMR_SYM(B)),通过选择成本效益高的权重实现高效求解,数值实验验证了其性能。
2009-02-16 cs.NA math.NA
An inexact semismooth Newton-Krylov method for semilinear elliptic optimal control problem
School of Mathematics and Statistics, Guangdong University of Technology(广东工业大学数学与统计学院)
针对半线性椭圆最优控制问题,提出结合GMRES(Krylov子空间方法)与非单调线搜索的不精确半光滑Newton方法,经理论分析得超线性收敛性,数值实验验证其准确性与效率。
2025-11-13 cs.NA math.NA math.OC
Solving Multi-Group Neutron Diffusion Eigenvalue Problem with Decoupling Residual Loss Function
本文针对多群中子扩散特征值问题,提出解耦残差损失函数和直接迭代损失函数,在无先验数据条件下求解一维至三维多群临界问题,并展现出优于已有方法的泛化能力。
2024-11-24 cs.NA math.NA
A high-order exponential integrator for nonlinear parabolic equations with nonsmooth initial data
本文提出了一种变步长指数多步积分器,它用算子值指数函数的围道积分逼近,用于求解具有非光滑初值的半线性抛物型方程。通过这种方法,指数k-步方法将有$k$阶收敛逼近温和的解决方案,可能在初始时间不光滑。数值算例表明,该方法对于初值不连续的半线性抛物型方程具有最大模高阶收敛性,与理论分析一致.
2020-11-16 cs.NA math.NA
Stabilization of BiCGSTAB by the generalized residual cutting method
Kyoritsu Women’s Junior College(桐朋女子短期大学)
本文通过广义残差切割法稳定BiCGSTAB,解决其在求解大规模稀疏非对称线性系统时的收敛问题。
2026-03-20 cs.NA math.NA
A Deep Fourier Residual Method for solving PDEs using Neural Networks
当使用神经网络作为测试函数来数值求解偏微分方程时,要做出的关键选择是要最小化的损失函数,其理想地应该对应于误差的范数。在多个问题中,这个误差范数与残差的$H^{-1}$范数一致或等价;然而,通常很难准确地计算它。这项工作假设矩形域,并提出使用离散正弦/余弦变换来准确有效地计算$H^{-1}$范数。由此产生的基于深度傅立叶的残差(DFR)方法有效地和准确地近似解的偏微分方程。当溶液缺乏$H^{2}$规律性并且涉及PDE的强制剂的方法失败时,这是特别有用的。我们观察到,$H^1$误差与训练期间的离散损失高度相关,这允许通过损失进行准确的误差估计。
2022-10-25 cs.NA math.AP math.NA
Physics-informed neural networks with residual/gradient-based adaptive sampling methods for solving PDEs with sharp solutions
在这项工作中,我们考虑使用物理信息神经网络(PINNs)求解具有尖锐解的正向和逆偏微分方程。特别是,为了更好地捕捉解决方案的清晰度,我们提出了自适应采样方法(ASM)的残差和梯度的解决方案的基础上。我们首先提出了一种基于残差的ASM算法,记为ASM I。该方法首先利用少量的残差点对神经网络进行训练,并将计算域划分为若干个子域,然后在残差平均绝对值最大的子域中加入新的残差点,并将该子域中残差绝对值最大的点作为新的残差点加入。我们进一步开发了第二种类型的ASM算法(表示为ASM II)的基础上的残差和梯度的解决方案,由于事实上,只有残差可能无法有效地捕捉的清晰度的解决方案。ASM Ⅱ的步骤与ASM Ⅰ基本相同,只是在ASM Ⅱ中增加了新的残差点,这些残差点不仅具有大的残差,而且具有大的梯度。为了验证本文方法的有效性,我们采用ASM I和ASM II求解了一系列的偏微分方程,包括Burger方程、可压缩Euler方程、L型区域上的泊松方程以及高维泊松方程.数值结果表明,无论采用ASM I还是ASM II算法,都能很好地逼近问题的尖锐解,并且在剩余点数相同的情况下,这两种方法都能比原PINN算法提供更精确的解。此外,ASM II算法具有更好的性能,在准确性,效率和稳定性方面相比,ASM I算法。
2023-02-16 cs.NA math.NA physics.comp-ph
DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);The State Key Lab of Brain-Machine Intelligence, Zhejiang University(浙江大学脑机智能国家重点实验室)
针对数据驱动PDE求解中高质量训练数据不足的问题,提出架构无关的DeltaPhi框架,通过学习相似物理状态残差实现隐式数据增强,可适配现有神经算子并在多场景下显著提升性能。
2025-10-28 cs.LG cs.NA math.NA
Preconditioned TBiCOR and TCORS Algorithms for Solving the Sylvester Tensor Equation
本文提出了求解Sylvester张量方程的预条件TBiCOR和TCORS方法。本文导出了求解Sylvester张量方程的张量Lanczos $\mathcal{L}$ -双正交化算法(TLB)。提出了两种改进的TLB方法。一种是双共轭$\mathcal{L}$ -张量形式的正交残差算法(TBiCOR),它对TLB方法得到的三角系数矩阵进行$LU$分解;另一种是张量形式的共轭$\mathcal{L}$ -正交残差平方算法(TCORS),它在TBiCOR算法的残差中引入了平方算子。采用基于最近Kronecker积的预条件子对TBiCOR和TCORS算法进行加速,得到了预条件TBiCOR算法(PTBiCOR)和预条件TCORS算法(PTCORS).证明了所提出的算法在有限步迭代内是收敛的,且无圆整误差。几个例子表明,预处理TBiCOR和TCORS算法具有良好的收敛性。
2021-11-27 cs.NA math.NA
A flexible split-step scheme for solving McKean-Vlasov Stochastic Differential Equations
本文提出了一种隐式分步显式Euler方法(简称SSM),用于模拟具有超线性增长漂移、Lipschitz测度和非常数Lipschitz扩散系数的McKean-Vlasov随机微分方程(MV-SDEs).该方案的目的是利用结构诱导的相互作用粒子近似系统,包括并行实现和隐式方程的可解性。该方案在步长上达到了经典的$1/2$均方根误差(rMSE)收敛速度,并弥补了[18,“具有超线性增长的McKean-Vlasov SDEs的模拟”在IMA Journal of数值分析,01 2021中留下的差距。draa 099]关于这类McKean-Vlasov偏微分方程的有效隐式方法及其收敛速度。给出了该格式均方收缩的一个充分条件。几个数值例子,包括一个比较分析,其他已知的算法,这类(驯服和自适应时间步进)跨并行和非并行实现。
2022-05-09 cs.NA math.NA math.PR
Deep Fourier Residual method for solving time-harmonic Maxwell's equations
本文针对时谐Maxwell方程,提出一种损失函数为弱形式PDE残差对偶范数可计算近似的神经网络,利用H(curl)空间的Helmholtz分解与离散正弦/余弦变换高效计算损失,数值实验表明该损失与误差范数高度相关。
2023-05-16 cs.NA math.NA
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
MIM: A deep mixed residual method for solving high-order partial differential equations
近年来,通过深度学习求解偏微分方程(PDE)受到了极大的关注。例如,深度Galerkin方法(DGM)使用最小二乘意义上的PDE残差作为损失函数,并使用深度神经网络(DNN)来近似PDE解。在这项工作中,我们提出了一个深度混合残差方法(MIM)解决偏微分方程的高阶导数。在MIM中,我们首先将高阶偏微分方程改写为一阶方程组,这与偏微分方程经典数值方法中的局部间断Galerkin方法和混合有限元法的思想非常相似。然后,我们使用最小二乘意义下的一阶系统的残差作为损失函数,这与最小二乘有限元法密切相关。对于上述经典的数值方法,在许多情况下,试验和检验函数的选择对于稳定性和精度问题是重要的。当DNN被用来近似一阶系统中的未知函数时,MIM也具有这种特性。在一种情况下,我们使用几乎相同的DNN来近似所有未知函数,而在另一种情况下,我们对不同的未知函数使用完全不同的DNN。在大多数情况下,MIM提供了比DGM更好的近似(不仅对于PDE解的高阶导数,而且对于PDE解本身),具有几乎相同的DNN和相同的执行时间,有时超过一个数量级。当使用不同的DNN时,在许多情况下,MIM提供比仅具有一个DNN的MIM更好的近似,有时超过一个数量级。因此,我们期望MIM能够从经典数值分析的角度,为理解和改进深度学习解决偏微分方程开辟一条可能的系统途径。
2020-06-07 cs.NA math.NA
Bayesian view on the training of invertible residual networks for solving linear inverse problems
该研究从贝叶斯视角探讨求解线性逆问题的iResNet训练中数据结构与训练设计的相互作用,分析基于重建的逆网络训练的优势,并通过数值实验验证拓展理论发现。
2023-07-19 cs.NA math.NA
Nesterov's Accelerated Gradient Method for Nonlinear Ill-Posed Problems with a Locally Convex Residual Functional
Johannes Kepler University Linz(林茨约翰·开普勒大学);Institute of Industrial Mathematics(工业数学研究所);Johann Radon Institute Linz(林茨约翰·拉顿研究所)
本文研究了Nesterov加速梯度法在非线性逆问题和病态问题中的应用,基于局部凸残差函数对方法的收敛性进行了分析,并通过非线性对角算子和自卷积逆问题的数值实验验证了其有效性。
2018-03-05 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
Accuracy and Architecture Studies of Residual Neural Network solving Ordinary Differential Equations
Iowa State University(爱荷华州立大学)
在本文中,我们考虑利用残差神经网络(ResNet)解决常微分方程。采用随机梯度下降法得到网络权值和偏差的最优参数集。采用前向Euler、Runge-Kutta 2和Runge-Kutta 4有限差分法生成三组训练ResNet的目标,并进行目标学习。训练好的ResNet的行为就像它对应的一步有限差分法。特别是,我们进行了(1)根据隐藏层和每层神经元的数量进行架构研究,以找到最佳的ResNet结构;(2)目标研究,以验证ResNet求解器的行为与其有限差分法对应物一样准确;(3)解决方案轨迹模拟。即使ResNet求解器看起来和实现方式类似于前向欧拉方案,其精度也可以与任何单步法一样高。一系列的数值例子来证明的ResNet求解器的性能。
2021-01-10 cs.LG cs.NA math.DS
Adaptive Sketch-and-Project Methods for Solving Linear Systems
我们提出了新的自适应采样规则的草图和项目的方法来解决线性系。为了推导出我们的新的采样规则,我们首先展示了草图和项目方法的一个步骤的进展如何直接取决于草图残差。基于这种见解,我们推导出1)最大距离采样规则,通过对具有最大草图残差的草图进行采样2)比例采样规则,通过与草图残差成比例地进行采样,以及最后3)封顶采样规则。上限采样规则是最近引入的自适应采样规则的Kaczmarz方法的推广。我们提供了一个整体的线性收敛定理的每一个采样规则,并表明,最大距离规则享有最快的收敛。这一发现也验证了大量的数值实验,使我们得出结论,最大距离采样规则是优于实验和理论上的上限采样规则。我们还提供了实现自适应策略的数值见解,使每次迭代的成本是相同的顺序时,使用一个固定的采样策略,草图的数量乘以草图的大小是不是显着大于列的数量。
2019-09-09 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
Advanced Physics-Informed Neural Network with Residuals for Solving Complex Integral Equations
Department of Computer and Data Sciences, Shahid Beheshti University(计算机与数据科学系,谢赫·贝赫什提大学);Department of Cognitive Modeling, Shahid Beheshti University(认知建模系,谢赫·贝赫什提大学)
本文提出残差积分求解网络(RISN),通过高精度数值方法与残差连接提升求解积分和积分微分方程的精度与稳定性,实验表明其在多种方程类型上均优于传统PINN及其变体。
2025-09-18 cs.AI cs.LG cs.NA
A six-stage third order additive method for stiff ordinary differential equations
本文构造了一种用于求解加性分裂自治刚性常微分方程组的六阶段三阶加性方法,该方法对隐式部分L稳定且允许使用任意雅可比矩阵近似,并通过局部误差和稳定性控制实现自动步长选择。
2009-02-19 cs.NA math.CA math.NA
A stochastic homotopy tracking algorithm for parametric systems of nonlinear equations
同伦延拓方法在求解含参数的非线性方程组中有着广泛的应用。但由于跟踪过程中的奇异性,即使起点和终点都是非奇异的,它也可能非常昂贵且效率低下。目前的跟踪算法主要通过估计到奇异点的距离来实现步长的自适应,但无法在跟踪过程中避免奇异点。我们提出了一种随机同伦跟踪算法,扰动的原始参数系统随机每一步,以避免奇异。然后,我们证明了这种新方法引入的随机解路径仍然是封闭的原始解路径理论。此外,几个同伦的例子进行了测试,以显示随机同伦跟踪方法的有效性。
2021-04-12 cs.NA math.NA
A Count Sketch Kaczmarz Method For Solving Large Overdetermined Linear Systems
本文结合计数草图和最大加权残差Kaczmarz方法,提出了一种求解大型超定线性系的快速随机化算法。对新算法进行了收敛性分析。数值实验表明,在相同的精度下,我们的方法表现出更好的计算时间相比,最先进的算法。
2020-04-06 cs.NA math.NA
A scalable exponential-DG approach for nonlinear conservation laws: with application to Burger and Euler equations
提出了一种求解偏微分方程的指数DG方法。我们的想法是分解成线性(快速动态线性化提取)和非线性(去除前者后剩余)的部分,我们应用不连续Galerkin(DG)空间离散化的PDE运营商。所得的半离散系统,然后集成使用指数时间积分器:精确的前者和后者的近似。通过构造,我们的方法i)在大的Courant数(Cr > 1)下是稳定的; ii)在时间和空间上都支持高阶解; iii)与没有预处理器的IMEX DG方法相比在计算上是有利的; iv)与显式RKDG方法相比需要相当的计算时间,同时具有比显式RKDG方法的最大稳定时间步长大几个数量级的时间步长; v)通过利用Krylov子空间无矩阵指数时间积分器和DG方法的紧凑通信模板,在现代大规模并行计算体系结构中是可扩展的。Burgers和Euler方程的各种数值结果展示了这些预期的属性。对于Burgers方程,给出了指数型Euler DG格式的稳定性和收敛性分析.
2021-04-17 cs.NA math-ph math.MP
Error Analysis of the Deep Mixed Residual Method for High-order Elliptic Equations
本文对求解高阶椭圆方程的深度混合残差方法进行先验误差分析,通过有界性与强制性分析及 Céa 引理分解误差,并利用 Barron 空间理论证明其可避免维度灾难且降低激活函数正则性要求。
2024-11-24 cs.NA math.NA
Minimal residual Hermitian and skew-Hermitian splitting iteration method for the continuous Sylvester equation
将最小残差技术应用于Hermitian和斜Hermitian(HSS)迭代格式,提出一种求解连续Sylvester方程的非定常迭代法--最小残差Hermitian和斜Hermitian(MRHSS)迭代法.数值结果验证了MRHSS迭代法与HSS方法对连续Sylvester方程的有效性和鲁棒性。此外,通过数值计算,我们证明了MRHSS分裂可以作为分裂预条件子,从而导出求解连续Sylvester方程的精确、鲁棒和有效的预条件Krylov子空间迭代法.
2020-12-01 cs.NA math.NA
A Posteriori Error Estimates for A Modified Weak Galerkin Finite Element Method Solving Linear Elasticity Problems
本文提出并分析了求解线弹性力学问题的修正弱伽辽金有限元法的残差型后验误差估计。该估计被证明是可靠和有效的,因为它提供了离散能量范数的实际误差的上界和下界。数值实验证明了该误差估计器的有效性。
2023-02-19 cs.NA math.NA
On convergence of residual-based extended randomized Kaczmarz methods for matrix equations
College of Science, China University of Petroleum(中国石油大学理学院)
本文提出了一种双空间残差基随机扩展Kaczmarz方法及其带有Nesterov动量的变种,无需系数矩阵的满列秩假设,推导了收敛率上界,并通过数值实验验证了其有效性。
2026-04-07 cs.NA math.NA
Global Convergence of DGM and PINN Algorithms for Solving Nonlinear PDEs
Mathematical Institute, University of Oxford(牛津大学数学研究所);Department of Mathematics and Statistics, Boston University(波士顿大学数学与统计系)
研究一类半线性偏微分方程,证明用梯度下降训练来最小化PDE残差目标函数的神经网络可收敛到PDE解,为DGM和PINN算法求解此类方程的数学基础提供了依据。
2026-09-25 cs.LG cs.NA math.NA
A Deep Double Ritz Method (D$^2$RM) for solving Partial Differential Equations using Neural Networks
Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心);Universidad del País Vasco/Euskal Herriko Unibertsitatea (UPV/EHU)(巴斯克大学);Basque Foundation for Science (Ikerbasque)(巴斯克科学基金会);Pontificia Universidad Católica de Valparaíso (PUCV)(瓦尔帕莱索天主教大学);Oden Institute for Computational Engineering and Sciences (OICES)(奥登计算工程与科学研究所)
残差最小化是求解变分形式的偏微分方程的一种广泛使用的方法。它最小化残差的对偶范数,这自然会在所谓的试验和测试空间上产生鞍点(最小-最大)问题。在神经网络的背景下,我们可以通过使用一个网络来寻求试验最小值,而另一个网络则寻求测试最大化器来解决这种最小-最大方法。然而,当我们接近试探解时,所得到的方法在数值上是不稳定的。为了克服这一点,我们重新制定的剩余最小化作为一个等效的最小化的Ritz功能美联储从另一个Ritz功能最小化计算的最佳检验函数。我们称之为深双里兹方法(D $^2$ RM),它结合了两个神经网络近似测试函数和最佳检验函数沿嵌套双里兹最小化策略。不同的扩散和对流问题的数值结果支持我们的方法的鲁棒性,网络的逼近性能和优化器的训练能力。
2023-01-19 cs.LG cs.NA math.NA
A Two-stage Adaptive Lifting PINN Framework for Solving Viscous Approximations to Hyperbolic Conservation Laws
Nanjing University(南京大学)
针对双曲守恒律无粘极限下PINN训练困难,提出两阶段自适应提升PINN框架,通过自适应坐标变换构造辅助场预处理,理论分析误差与方差,实验证明加速损失衰减并提升小粘性精度。
2026-09-18 cs.NA math.NA
Accelerating iterative solvers via a two-dimensional minimum residual technique
本文提出通过在二维子空间最小化残差范数来加速两步迭代法求解线性方程组的收敛,并扩展至不适定问题的正则化正规方程,数值实验验证了其精确与不精确变体的有效性。
2024-04-22 cs.NA math.NA
A mixed residual method for biharmonic equations in spectral Barron spaces
Fudan University(复旦大学)
该研究针对非齐次夹紧边界条件的双调和方程,提出混合残差法,通过建立方程在谱巴伦空间的适定性推导误差界,克服维数灾难,其误差界含近似与泛化误差两部分,数值实验验证了方法有效性。
2026-07-28 cs.NA math.NA
Convergence characteristics of the generalized residual cutting method
Advanced Science & Intelligence Research Institute(先进科学与智能研究所);University of Texas, San Antonio(德克萨斯大学圣安东尼奥分校);University of Patras(帕特雷大学)
本文研究了广义残差切割法的数学性质,证明其为Krylov子空间方法,并展示其与共轭梯度法的关联,针对对称矩阵等价,且在大规模矩阵中表现出更稳健的收敛性和更低的内存需求。
2018-02-01 cs.NA math.NA
Mean value methods for solving the heat equation backwards in time
我们研究了一个迭代平均值方法的逆(和高度不适定)的问题,解决热方程向后的时间。利用半群论将反问题的解改写为仿射算子的一个不动点方程的解,其线性部分满足特殊的泛函分析性质。我们给出了该方法的收敛性证明,并得到了残差的收敛速度。在所谓的源条件下,得到了迭代的收敛速度。
2020-11-30 cs.NA math.NA
Adaptive ADMM with Spectral Penalty Parameter Selection
University of Maryland, College Park(马里兰大学帕克分校);Universidade de Lisboa(里斯本大学)
本文提出自适应ADMM算法,通过自适应调整惩罚参数实现快速收敛,提高算法鲁棒性与易用性。
2017-07-19 cs.AI cs.LG cs.NA
When Does Cheap Physics Help? Gated Multi-Fidelity Physics-Informed Networks with Provable Sample Savings and Conformal Guarantees
Department of Applied Mathematics and Computer Science (DTU Compute)(应用数学与计算机科学系(DTU Compute));Technical University of Denmark(丹麦技术大学)
本文提出MF-BPINN,通过结合贝叶斯不确定性量化和自适应残差学习,高效求解参数偏微分方程。
2026-10-27 cs.LG cs.NA math.NA
Solving and learning advective multiscale Darcian dynamics with the Neural Basis Method
Asia Pacific Technology, Inc.(亚太科技公司);Institute for Scientific Computation, Texas A&M University(德克萨斯农工大学科学计算研究所);Department of Mathematics, University of Houston(休斯顿大学数学系)
本文提出神经基底方法,通过结合物理一致的神经基底空间和操作符诱导残差度量,解决对流多尺度达西动力学问题,实现稳定可靠的求解与参数推断。
2026-04-10 cs.LG cs.NA math.NA