A numerical approach for solving the time-Fractional Mobile-Immobile Transport Equation
Shanghai University(上海大学)
针对时间分数阶动-不动区输运方程,提出两种全离散数值格式,经理论分析与数值验证,可高效准确模拟多孔介质中的反常输运现象。
2026-08-12 cs.NA math.NA
Generalized moving least squares and moving kriging least squares approximations for solving the transport equation on the sphere
Amirkabir University of Technology(阿米尔卡比尔理工大学);Leibniz University of Hannover(汉诺威莱布尼茨大学)
本文采用两种无网格方法求解定义在球面上的时变传输方程,其中一种是广义移动最小二乘法,另一种是球面上的移动克里格最小二乘插值法,通过不同分布点轻松实现,并利用二阶后向差分公式近似时间变量,采用双共轭梯度稳定算法结合零填充下上(ILU)预处理子解耦离散方案,通过固体质点旋转、涡旋卷曲和变形流三个经典测试问题验证方法有效性。
2019-04-11 cs.NA math.NA
Finite Difference Nets: A Deep Recurrent Framework for Solving Evolution PDEs
采用深度学习方法来研究偏微分方程(PDE)已经成为一种新兴趋势。在本文中,我们引入了一个深度递归框架,用于在不生成大规模数据集的情况下求解时间依赖的偏微分方程。我们通过探索传统数值方法(例如有限差分格式)与深度神经网络(特别是卷积和全连接神经网络)之间可能的联系,提供了一个新的视角,即不同类型的架构。我们提出的方法将显示其有效性和效率,在求解具有积分形式的偏微分方程模型,特别是,我们测试单程波方程和守恒律组。
2021-04-16 cs.NA math.NA
On understanding and overcoming spectral biases of deep neural network learning methods for solving PDEs
该综述梳理了克服求解偏微分方程的深度神经网络低频谱偏差的最新技术方法,还探讨了待解决问题与未来研究方向,为相关领域研究提供参考。
2025-01-17 cs.NA math.NA
A volume penalization method for solving conjugate scalar transport with interfacial jump conditions
Center for Research on Innovative Simulation Software, Institute of Industrial Science, The University of Tokyo(东京大学工业科学研究所创新模拟软件研究中心)
本文提出了一种新的体积惩罚方法,用于求解具有界面跃变条件的共轭标量传输问题,通过提高精度和统一控制方程来改进模拟结果。
2026-01-15 cs.NA math.NA physics.comp-ph
A numerical method for the elliptic Monge-Ampère equation with transport boundary conditions
最佳质量输运的问题出现在许多应用中,包括图像配准、网格生成、反射器设计和天体物理学。解决这个问题的一种方法是通过蒙日-安培方程。虽然近年来已经看到了很多工作的数值方法的发展,以解决这个方程,很少已经做了实施的运输边界条件。本文提出了一种求解迁移问题的方法,即迭代求解带有Neumann边界条件的蒙日-安培方程。为了实现可变密度之间的映射,我们扩展了方程的早期离散化以允许取决于解的梯度的右侧[Froese和Oberman,SIAM J. Numer.肛门,49(2011)1692- 1714]。该离散化可证明收敛于黏性解。用牛顿法有效地求解了所得系统。我们提供了几个具有挑战性的计算实例,证明了所提出的方法的有效性和效率($O(M)-O(M^{1.3})$时间)。
2012-03-01 cs.NA math.NA physics.comp-ph
Tensor Networks for Solving Realistic Time-independent Boltzmann Neutron Transport Equation
提出混合TT/QTT方法求解稳态Boltzmann中子输运方程,在标准台式机上实现YB级存储压缩和超7500倍加速,且误差小于1e-5。
2023-09-13 cs.NA math.NA
A deep shotgun method for solving high-dimensional parabolic partial differential equations
本文提出一种深度散弹法,仅利用轨迹数据分布而非完整轨迹,高效求解高维抛物型偏微分方程,在高达10000维的算例中展现了性能与精度的竞争力。
2025-06-18 cs.NA math.NA
A deep first-order system least squares method for solving elliptic PDEs
我们提出了一种基于深度学习的一阶系统最小二乘(FOSLS)方法,用于数值求解二阶椭圆偏微分方程。我们提出的方法是能够处理变分和非变分问题,由于其无网格的性质,它也可以处理在高维域中提出的问题。我们证明了神经网络逼近连续问题解的$Γ$ -收敛性,并将收敛性证明推广到一些著名的相关方法。最后,我们提出了几个数值例子说明我们的离散化的性能。
2022-12-14 cs.NA math.NA
JDNN: Jacobi Deep Neural Network for Solving Telegraph Equation
在本文中,提出了一种新的深度学习架构JDNN,用于近似偏微分方程(PDE)的数值解。JDNN能够求解高维方程。在这里,Jacobi深度神经网络(JDNN)演示了各种类型的电报方程。该模型采用正交雅可比多项式作为激励函数,提高了求解偏微分方程方法的精度和稳定性。采用有限差分时间离散技术克服了给定方程的计算复杂性。该方案利用图形处理单元(GPU)加速学习过程,利用神经网络平台。数值实验结果表明,该方法能够有效地学习物理问题的动力学特性。
2022-12-28 cs.NA math.NA
Deep Euler method: solving ODEs by approximating the local truncation error of the Euler method
在本文中,我们提出了一种基于深度学习的方法,深度欧拉法(DEM)来解决常微分方程。离散元法通过深度神经网络逼近局部截断误差,以大步长获得高精度解,显著提高了欧拉法的精度。DEM中的深度神经网络在训练过程中是无网格的,并且在未测量区域中表现出良好的泛化能力。DEM可以很容易地与其他数值方法如龙格-库塔法相结合,得到更好的解。并对DEM的误差界和稳定性进行了讨论。
2020-03-21 cs.NA math.NA
Solving Semi-Discrete Optimal Transport Problems: star shapedeness and Newton's method
School of Mathematics, Georgia Institute of Technology(佐治亚理工学院数学学院)
针对 p-范数正组合代价函数的半离散 OT 问题,本文证明 Laguerre 单元相对目标点呈星形,并据此提出高效可靠的 Newton 法实现。
2023-10-11 cs.NA math.NA math.OC
Solving Monge problem by Hilbert space embeddings of probability measures
Department of Mathematical and Computing Science, Institute of Science Tokyo(东京科学大学数学与计算科学系)
本文提出基于希尔伯特空间嵌入的概率测度深度学习方法,用于求解大规模最优质量运输问题,并证明其在$ L^2 $成本下的收敛性。
2026-02-15 cs.NA math.NA math.OC
Compact implicit high resolution numerical method for solving transport problems with sorption isotherms
本文针对具有Freundlich型吸附等温线的非线性输运问题,提出并比较了紧致隐式二阶精度格式及其高分辨率限制形式,在无条件稳定且计算成本与显式方法相当的前提下有效抑制非物理振荡,为多孔介质污染物输运和柱液相色谱等应用提供了实用数值工具。
2025-07-21 cs.NA math.AP math.NA
Solving Inverse Problems in Steady-State Navier-Stokes Equations using Deep Neural Networks
流体动力学反问题在科学和工程中无处不在,其应用范围从电子冷却系统设计到海洋建模。本文提出了一种基于深度神经网络和数值偏微分方程(PDE)的求解稳态Navier-斯托克斯方程反问题的通用方法。我们的方法表示数值模拟作为一个计算图与可微算子。然后,我们通过约束优化来解决逆问题,使用从具有反向模式自动微分的计算图计算的梯度。这种技术使我们能够使用深度神经网络对未知的物理特性进行建模,并将其嵌入到PDE模型中。我们通过使用深度神经网络(DNN)计算空间变化的粘度和电导率场并使用速度场的部分观测值训练DNN来证明我们方法的有效性。我们证明了DNN能够用稀疏和噪声数据对复杂的空间变化的物理场进行建模。我们的实现利用开放访问ADCME,一个库,用于解决逆建模问题,在科学计算中使用自动微分。
2020-11-18 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
Learn an index operator by CNN for solving diffusive optical tomography: a deep direct sampling method
在这项工作中,我们调查的情况下,有限的边界测量扩散光学层析成像(DOT)的问题。受直接取样法(DSM)的启发,我们发展了一种深部直接取样法(DDSM)来恢复埋藏在均匀背景中的非均匀包裹体。在这种方法中,我们设计了一个卷积神经网络(CNN)来近似模拟底层数学结构的索引函数。所提出的DDSM的好处包括快速和容易的实施,将多个测量,以获得高质量的重建,和先进的鲁棒性对噪声的能力。数值实验表明,该算法在不降低效率的前提下提高了重建精度,显示了其解决实际DOT问题的潜力。
2021-05-07 cs.NA math.NA
Deep neural networks for solving large linear systems arising from high-dimensional problems
本文研究了用于解决高维问题所产生的超大型线性系的深度神经网络。由于维数灾难的存在,在这样的超大型线性系中,同时存储解和右侧向量是昂贵的。我们的想法是采用一个神经网络来表征的解决方案,少得多的参数比矩阵自由设置下的解决方案的大小。我们提出的方法的误差分析,表明解决方案的误差是有界的条件数的矩阵和神经网络的逼近误差。从偏微分方程,推理问题,和概率布尔网络的几个数值例子来证明线性系的解决方案,可以相当准确地学习。
2023-03-05 cs.NA math.NA
Energetic Variational Deep Learning for Solving High-Dimensional Stationary Fokker-Planck Equations
University of Washington(华盛顿大学);Hunan University(湖南大学)
本文提出一种结合蒙特卡洛弱监督、能量变分物理约束和拟牛顿精化的深度学习框架,用于高维稳态Fokker-Planck方程,数值实验验证了其在粗糙势和噪声数据下的准确性与稳健性。
2026-10-05 cs.NA math.NA
A deep learning method for solving Fokker-Planck equations
随机微分方程的概率分布的时间演化遵循福克-普朗克方程,其通常具有无界的高维区域。受\cite{li2018data}早期研究的启发,我们提出了一种无网格的Fokker-Planck求解器,其中Fokker-Planck方程的解现在由神经网络表示。在损失函数中引入微分算子,提高了神经网络表示的准确性,减少了训练过程中对数据的需求。几个高维数值例子进行了演示。
2020-12-19 cs.NA math.NA
Deep Ritz Physics-Informed Neural Network Method for Solving the Variational Inequality
本文提出基于物理信息神经网络的深度Ritz方法,用于高效求解变分不等式问题,通过优化损失函数和自适应数据集更新提升准确性和收敛性。
2026-03-12 cs.NA math.NA
A Local Deep Learning Method for Solving High Order Partial Differential Equations
目前,基于深度学习的方法正被用于解决高维偏微分方程(PDE)的计算挑战。但是神经网络高阶导数的计算代价很高,而且高阶导数对训练缺乏鲁棒性。我们提出了一种通过同时逼近函数值和导数来求解具有高阶导数的偏微分方程的新方法。与局部间断Galerkin方法一样,我们引入中间变量将偏微分方程改写成一个低阶微分方程。中间变量和偏微分方程的解同时由多输出深度神经网络近似。通过将系统的残差作为损失函数,我们可以优化网络参数以逼近解。整个过程依赖于低阶导数。大量的数值例子表明,我们的局部深度学习是有效的,鲁棒的,灵活的,特别适合于具有高阶导数的高维偏微分方程。
2021-03-16 cs.NA math.NA
A Convergent Numerical Method for the Reflector Antenna Problem via Optimal Transport on the Sphere
我们考虑一个PDE方法来数值求解反射面天线问题,通过求解一个单位球上的最优输运问题,费用函数为$c(x,y) = -2\log \left\Vert x - y \right\Vert$。在球面上的每一点,我们用一个广义的Monge-Ampère型方程代替表面偏微分方程,该方程在局部切面上。然后,我们利用一个可证明收敛的有限差分格式近似的解决方案,并构建反射器。该方法很容易适应考虑高度非光滑的数据和解决方案,这使得它特别适合现实世界的光学问题。计算实例表明,这种方法在计算反射器的一系列具有挑战性的问题,包括不连续的强度和强度支持复杂的几何形状的成功。
2021-08-03 cs.NA math.NA
A physics-informed deep learning approach for solving strongly degenerate parabolic problems
本文提出并评估了一种基于PINN的方法,用于预测具有Laplacian型渐近结构的强退化抛物型问题的解,并通过二维和三维数值实验验证了其有效性与准确性。
2024-02-15 cs.NA math.NA
Fine-Tuning DeepONets to Enhance Physics-informed Neural Networks for solving Partial Differential Equations
本文提出FTO-PINN方法,通过微调预训练DeepONet的分支网络输出并引入主干网络扩展与低秩适配,在保持精度的同时显著降低PINN求解偏微分方程的训练成本,并提升保真度与泛化能力。
2024-10-18 cs.NA math.NA
Time complexity analysis of quantum difference methods for the multiscale transport equations
研究了用量子算法求解多尺度输运方程的有限差分方法的时间复杂度。我们发现,经典处理和量子处理的时间复杂度为$\mathcal{O}(1/\varepsilon)$标度,其中$\varepsilon$是小标度参数,而奇偶校验为基础的渐近保持(AP)计划的复杂度不依赖于$\varepsilon$。这表明,在量子计算中,当求解多尺度输运或动力学方程时,使用AP(可能还有其他有效的多尺度)方案来解决多尺度问题仍然是非常重要的。
2022-11-12 cs.NA math.NA quant-ph
DeepOnet Based Preconditioning Strategies For Solving Parametric Linear Systems of Equations
本文提出将DeepONet与标准迭代方法混合构建新型预处理策略,通过分别处理低频和高频误差分量,显著提升了Krylov方法在求解参数化线性方程组时的收敛速度与鲁棒性。
2024-01-09 cs.NA math.NA
Deep asymptotic expansion method for solving singularly perturbed time-dependent reaction-advection-diffusion equations
针对标准PINN难以求解带陡峭梯度移动过渡层的奇异摄动含时反应-对流-扩散方程的问题,提出结合渐近分析与深度学习的深度渐近展开方法,实验证明其性能优于多种基线PINN且鲁棒性良好。
2025-09-05 cs.NA math.NA
A Domain Decomposition Deep Neural Network Method with Multi-Activation Functions for Solving Elliptic and Parabolic Interface Problems
School of Mathematics, Sichuan University(四川大学数学学院)
本研究提出一种多激活函数的域分解深度神经网络方法,用于高效求解具有不连续系数的椭圆和抛物型界面问题。
2025-12-20 cs.NA math.NA
On Solving Groundwater Flow and Transport Models with Algebraic Multigrid Preconditioning
代数多重网格预处理的迭代求解器被设计为一种优化技术,以加快大型稀疏线性系统的响应。在这项工作中,这种技术是在双重划定方法的框架内实施的。这涉及到一个单一的地下水流解决方案和一个纯平流输运解决方案与不同的右手边。新的求解器进行了比较,传统的预处理迭代法和直接稀疏求解器上的几个二维和三维的基准问题,跨越均匀和非均匀地层。对于地下水流动问题,采用代数多重网格预处理方法可以使数值求解速度提高一到两个数量级。对于纯平流输运过程,如前向走时模拟,稀疏直接求解器是最有效的。因此,更一般的对流-弥散输运方程的最佳稀疏解算器可能依赖于佩克莱数。当配备最好的求解器时,通过双重描绘方法处理数百万个网格块是几秒钟的事情。这为敏感性分析等常规耗时任务铺平了道路。本文给出了实用的提示的策略和条件下,代数多重网格预处理类的非线性和/或瞬态问题将保持竞争力。
2020-01-20 cs.NA math.NA physics.comp-ph
Three algorithms for solving high-dimensional fully-coupled FBSDEs through deep learning
Shandong University(山东大学)
最近,深度学习方法已被用于求解正倒向随机微分方程(FBSDEs)和抛物型偏微分方程(PDE)。它对高维问题具有良好的精度和性能。在本文中,我们主要通过深度学习来解决全耦合FBSDES,并提供了三种算法。一些数值结果显示了显着的性能,特别是对高维的情况。
2020-02-02 cs.LG 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
Efficient preconditioners for solving dynamical optimal transport via interior point methods
针对 Benamou-Brenier 动态最优传输内点法中的大型鞍点系统,本文提出基于对偶 Schur 补算子部分交换的 $\oldsymbol{B}\oldsymbol{B}$-preconditioner,实验表明其计算效率最高且近线性扩展。
2024-01-19 cs.NA math.NA math.OC
Adaptive hyperviscosity stabilisation for the RBF-FD method in solving advection-dominated transport equations
Jožef Stefan Institute(约瑟夫·斯特凡研究所);Jozef Stefan International Postgraduate School(约瑟夫·斯特凡国际研究生院);Faculty of Mathematics and Physics, University of Ljubljana(卢布尔雅那大学数学物理学院)
本文提出一种自适应超粘性稳定化方法,用于求解无边界域上的线性和非线性对流主导传输方程,通过谱半径确定超粘性常数,提升计算效率和稳定性。
2026-04-20 cs.NA math.NA physics.comp-ph
A new efficient approximation scheme for solving high-dimensional semilinear PDEs: control variate method for Deep BSDE solver
提出了一种求解高维半线性偏微分方程(PDE)和倒向随机微分方程(BSDEs)的新的逼近格式。首先,我们将一个目标半线性偏微分方程分解为两部分,即“主导”线性偏微分方程和“小”非线性偏微分方程。然后,我们采用了一种新的控制变量的方法来解决这些偏微分方程,其中基于渐近展开技术的近似有效地应用于线性部分,也用作控制变量的非线性部分。此外,我们的理论结果表明,所提出的方法的误差变得小于那些原来的Deep Boundary求解器。最后通过数值实验验证了该方法的有效性,实验结果与本文的理论结果一致。
2021-01-31 cs.NA math.NA q-fin.CP
Multilevel Second-Moment Methods with Group Decomposition for Multigroup Transport Problems
North Carolina State University(北卡罗来纳州立大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出多级迭代方案求解多群玻尔兹曼传输方程,采用多群和灰低阶方程的二阶矩方法,并通过安德森加速提升收敛性和计算效率。
2021-02-17 cs.NA math.NA physics.comp-ph
Improving the accuracy of discretisations of the vector transport equation on the lowest-order quadrilateral Raviart-Thomas finite elements
在流体的有限元模型中,通常使用Raviart-Thomas元素来离散诸如速度或动量变量的矢量值场。然而,当使用最低阶四边形Raviart-Thomas单元时,矢量输运方程的标准有限元离散化通常具有低阶空间精度。本文介绍了两个计划,提高了二维曲流形上的传输这样的向量值字段的精度。第一种方案是在高阶函数空间中重建输运场,然后求解输运方程。第二个方案适用于混合有限元制定的矢量传输方程,同时解决了传输场及其涡。一种方法来稳定这种混合矢量涡制剂,采用流线迎风彼得罗夫-伽辽金(SUPG)方法。这些计划,然后证明,随着其精度特性,通过一些数值试验。两个新的测试用例被用来评估弯曲流形上的向量值场的输运,孤立地求解向量输运方程。通过两个标准的浅水旋转模型试验,证明了该方法的改进。
2022-07-07 cs.NA math.NA physics.flu-dyn
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
Accurate adaptive deep learning method for solving elliptic problems
本文提出一种精确自适应深度学习方法求解椭圆问题,基于失败概率框架采用分段均匀分布与核方法高效采样,结合改进的Levenberg-Marquardt优化,将不同情况的相对误差降低$10^2$至$10^4$倍。
2024-04-29 cs.NA math.NA stat.CO
Solving Electrical Impedance Tomography with Deep Learning
Stanford University(斯坦福大学)
本文介绍了一种利用深度神经网络求解电阻抗断层成像(EIT)问题的新方法。EIT的数学问题是从Dirichlet-to-Neumann(DtN)映射反演电导率。从电导率到DtN的正向映射和逆映射都是高维非线性的。激励的线性扰动分析的正向映射和基于数值上的低秩属性,我们提出了紧凑的神经网络架构的正向和逆映射的2D和3D问题。数值结果表明所提出的神经网络的有效性。
2019-11-11 cs.LG cs.NA math.NA
Deep neural network for solving differential equations motivated by Legendre-Galerkin approximation
San Diego State University(圣地亚哥州立大学);Korea University(高丽大学)
非线性微分方程的数值求解具有挑战性,并且对于理解许多物理系统的动力学非常重要。深度神经网络已被应用于帮助减轻与解决这些系统相关的计算成本。我们探索线性和非线性微分方程的各种神经架构的性能和准确性,通过创建准确的训练集与谱元素方法。接下来,我们实现了一种新的Legendre-Galerkin深度神经网络(LGNet)算法来预测微分方程的解。通过构造一组勒让德基的线性组合,我们预测相应的系数,$α_i$成功地近似的解决方案作为一个光滑的基函数$u \simeq \sum_{i=0}^{N} α_i φ_i$的总和。作为计算实例,考虑了Dirichlet或Neumann边界条件下的线性和非线性模型。
2020-10-24 cs.LG cs.NA math.NA
Practical Aspects on Solving Differential Equations Using Deep Learning: A Primer
International Centre for Neuromorphic Systems(神经形态系统国际中心);Department of Computer Science(计算机科学系);University of Manchester(曼彻斯特大学)
本文介绍深度学习核心概念,重点阐述如何利用神经网络求解偏微分方程,包括实现方法、超参数选择及精度提升技巧,并强调无需GPU即可复现。
2026-06-01 cs.LG cs.NA math.NA
Solving Inverse Problems With Deep Neural Networks -- Robustness Included?
Utrecht University(乌得勒支大学);Technical University of Berlin(柏林工业大学)
在过去的五年里,深度学习方法已经成为解决各种逆问题的最先进方法。在这种方法可以在安全关键领域中找到应用之前,必须对其可靠性进行验证。最近的工作已经指出了深度神经网络对于几个图像重建任务的不稳定性。与分类中的对抗攻击类似,表明输入域中的轻微失真可能导致严重的伪影。本文通过对基于深度学习的算法解决欠定逆问题的鲁棒性进行广泛研究,为这一问题提供了新的思路。这涵盖了高斯测量的压缩感知以及从傅立叶和氡测量中恢复图像,包括磁共振成像的真实场景(使用NYU-fastMRI数据集)。我们的主要重点是计算对抗扰动的测量,最大限度地提高重建误差。我们的方法的一个显着特点是与总变差最小化,这是一个可证明的强大的参考方法的定量和定性比较。与以前的研究结果相比,我们的研究结果表明,标准的端到端网络架构不仅对统计噪声有弹性,而且对对抗性扰动也有弹性。所有被考虑的网络都是通过常见的深度学习技术训练的,没有复杂的防御策略。
2020-11-09 cs.LG cs.NA math.NA
DeepONet for Solving Nonlinear Partial Differential Equations with Physics-Informed Training
School of Mathematics, Georgia Institute of Technology(佐治亚理工学院数学系)
该研究评估 DeepONet 在物理信息训练下求解非线性 PDE 的 branch/trunk 设计,并基于 Rademacher 复杂度与 pseudo-dimension 给出 Sobolev 范数泛化误差界。
2025-09-28 cs.LG cs.NA math.NA
Solving Traveltime Tomography with Deep Learning
Stanford University(斯坦福大学)
本文介绍了一种基于程函方程的神经网络方法来求解二维走时层析成像(TT)问题。TT的数学问题是基于通过介质的波的走时的边界测量来恢复介质的慢度场。这种逆映射是高维的、非线性的。对于圆形层析成像几何,微扰分析表明,前向映射可以在角方向上由矢量化的卷积算子近似。受此启发和滤波反投影,我们提出了一个有效的神经网络架构的逆映射使用最近提出的BCR-Net,从训练数据集学习的权重。数值结果表明所提出的神经网络的有效性。
2019-11-25 cs.LG cs.NA math.NA
A weighted first-order formulation for solving anisotropic diffusion equations with deep neural networks
本文提出了一种新的加权一阶公式,用于求解具有深度神经网络的各向异性扩散方程。对于许多数值格式来说,各向异性热流的精确逼近对整体精度至关重要。首先将热通量沿扩散张量的两个特征向量分解为两个分量,从而将各向异性热通量近似转化为两个各向同性分量的近似。此外,为了处理扩散张量跨越界面的可能跳跃,通过将一阶公式乘以加权函数来获得加权一阶公式。利用权函数的衰减性质,加权一阶方程总是逐点定义的。最后,用深度神经网络近似求解加权一阶公式。与传统的二阶椭圆型神经网络逼近方法相比,该方法可以显著提高精度,尤其是对于不连续各向异性扩散问题.
2022-04-29 cs.NA math.NA physics.flu-dyn
Deep least-squares methods: an unsupervised learning-based numerical method for solving elliptic PDEs
Purdue University(普渡大学)
研究了一种基于无监督深度学习的偏微分方程数值求解方法。该方法利用深度神经网络通过组合构造逼近偏微分方程的解,并采用最小二乘泛函作为损失函数来确定深度神经网络的参数。偏微分方程有各种各样的最小二乘泛函。本文研究了文献[3]中基于一阶标量二阶椭圆型偏微分方程组的一阶系统最小二乘泛函。给出了一维二阶椭圆型偏微分方程的数值结果。
2020-07-12 cs.LG cs.NA math.NA
Adaptive trajectories sampling for solving PDEs with deep learning methods
在本文中,我们提出了一种新的自适应技术,称为自适应轨迹采样(ATS),用于选择训练点的数值解的偏微分方程(PDE)与深度学习方法。ATS的关键特征是,所有的训练点是自适应地选择根据PDE相关的随机过程生成的轨迹。我们将ATS结合到三种已知的用于PDE的深度学习求解器中,即自适应无导数损失方法(ATS-DFLM)、自适应物理信息神经网络方法(ATS-PINN)和用于前向-后向随机微分方程的自适应时间差分法(ATS-FBSTD)。我们的数值实验表明,ATS显着提高了PDE的原始深度学习求解器的计算精度和效率。特别是,对于某些特定的高维偏微分方程,ATS甚至可以将PINN的精度提高两个数量级。
2023-03-28 cs.NA math.AP math.NA
Novel Deep neural networks for solving Bayesian statistical inverse
George Mason University(乔治梅森大学);University of Maryland, College Park(马里兰大学帕克分校)
本文研究了大规模线性和非线性偏微分方程(PDE)的贝叶斯统计反问题的模拟。马尔可夫链蒙特卡罗(MCMC)算法是解决此类问题的标准技术。然而,MCMC技术在计算上具有挑战性,因为它们需要数千个正向PDE解。本文的目标是介绍一种基于分数深度神经网络的方法,用于MCMC例程中的正向求解。此外,我们讨论了一些近似误差估计,并通过几个数值例子说明我们的方法的效率。
2021-02-08 cs.LG cs.NA math.NA
A brief review of the Deep BSDE method for solving high-dimensional partial differential equations
Weinan E(魏纳·E)
本文简要综述了Deep BSDE方法,该方法利用深度学习技术有效求解高维非线性偏微分方程,克服了传统网格方法的维数灾难,并讨论了其后续发展与未来方向。
2025-05-07 cs.CE cs.LG cs.NA
Multi-scale Deep Neural Networks for Solving High Dimensional PDEs
Southern Methodist University(南卫理公会大学);Shanghai Jiao Tong University(上海交通大学)
本文提出了频域径向尺度化的思想,并利用紧支集的激活函数构造多尺度动态神经网络(MscaleDNN),使其具有多尺度逼近高频高维函数的能力,加快了高维偏微分方程的求解速度.使用带有Ritz能量或最小二乘PDE残差的损失函数进行高维函数拟合和高维PDE求解的数值结果验证了所提出的MscaleDNN的多尺度分辨率和高频捕获能力的提高。
2019-10-25 cs.LG cs.NA math.NA
Robust SDE-Based Variational Formulations for Solving Linear PDEs via Deep Learning
Freie Universität Berlin(柏林自由大学);Zuse Institute Berlin(柏林祖斯研究所);dida Datenschmiede GmbH(dida数据锻造有限责任公司);University of Vienna(维也纳大学)
蒙特卡罗方法和深度学习的结合最近产生了求解高维偏微分方程(PDE)的有效算法。相关的学习问题通常被描述为基于相关随机微分方程(SDEs)的变分公式,其允许使用基于梯度的优化方法来最小化相应的损失。因此,在相应的数值实现中,依赖于表现出低方差的足够的梯度估计器以准确和快速地达到收敛是至关重要的。在这篇文章中,我们严格调查相应的数值方面出现在线性Kolmogorov偏微分方程的背景下。特别是,我们系统地比较了现有的深度学习方法,并为它们的性能提供了理论解释。随后,我们提出了新的方法,可以被证明是更强大的理论和数值计算,从而大大提高性能。
2022-08-05 cs.LG cs.NA math.NA
Solving Optical Tomography with Deep Learning
Stanford University(斯坦福大学)
提出了一种基于辐射转移方程的二维光学层析(OT)问题的神经网络求解方法。OT的数学问题是基于可从边界测量访问的Roundo算子来恢复对象的光学特性。从光学性质到Escherdo算子的正向映射和逆映射都是高维非线性的。对于圆形层析成像几何,微扰分析表明,前向映射可以近似由矢量化的卷积算子在角方向上。受此启发,我们提出了基于卷积层的正向和反向映射的有效神经网络架构,并从训练数据集学习权重。数值结果表明所提出的神经网络的有效性。
2019-10-10 cs.LG cs.NA math.NA
deepFDEnet: A Novel Neural Network Architecture for Solving Fractional Differential Equations
Shahid Beheshti University(沙希德·贝赫什提大学)
提出一种名为deepFDEnet的新型深度神经网络架构,结合高斯积分规则和$L_1$离散化技术准确求解多种分数阶微分方程,实验证明其具有极高精度与通用性。
2023-09-14 cs.AI cs.LG cs.NA