Numerical methods for solving PIDEs arising in swing option pricing under a two-factor mean-reverting model with jumps
Ghent University(根特大学);University of Antwerp(安特卫普大学);BI Norwegian Business School(挪威BI商学院)
本文提出了一种用于求解具有跳跃的双因子均值回复模型下swing期权定价中PIDEs的二阶数值方法,并通过理论分析和实验验证了其收敛性。
2026-02-04 cs.NA math.NA q-fin.CP
The application of the exact operational matrices for solving the Emden-Fowler equations, arising in astrophysics
Shahid Beheshti University(沙希德·贝赫什提大学)
本文利用精确运算矩阵方法求解Emden-Fowler方程,通过对比传统运算矩阵,验证了该方法在处理非线性问题上的优越性。
2014-01-01 cs.NA math.NA
Rootfinding and Optimization Techniques for Solving Nonlinear Systems of Equations Arising from Cohesive Zone Models
本文评估了求解内聚力模型非线性方程组的既有求根与优化方法,通过低维示例比较性能并分析高维影响,旨在识别有前景的改进方向。
2025-02-26 cs.NA math.NA
Numerical Solution of a parabolic problem arising in finance
UNIVERSITE BORDEAUX1(波尔多第一大学)
通过求解偏微分方程组获得不完全市场的最优复制策略,研究解在适当Sobolev空间中的存在唯一性并提出数值计算方法。
2009-05-18 cs.NA math.NA
Preconditioning of the generalized Stokes problem arising from the approximation of the time-dependent Navier-Stokes equations
本研究对比了求解时变不可压缩Navier-Stokes方程近似产生的广义Stokes问题的多种预条件迭代方法,经6800万自由度网格测试发现,这类方法虽稳态求解高效,但时变问题求解吞吐量比传统校正方法慢25倍,缺乏竞争力。
2025-01-13 cs.NA math.NA
Lagrangian method for solving Lane-Emden type equation arising in astrophysics on semi-infinite domains
Shahid Beheshti University(沙希德·贝赫什提大学)
提出一种基于修正广义拉盖尔函数拉格朗日方法,将半无限区间上的非线性Lane-Emden方程转化为代数方程组求解,并与已知结果比较验证有效性。
2010-08-16 astro-ph.IM cs.CE cs.NA
Two methods for solving optimization problems arising in electronic measurements and electrical engineering
本文介绍了在电子测量和电工学中的一个常见问题:在某些初始条件下求方程左起第一根。本文以电工设备(模拟信号滤波)为例,介绍了两种基于全局优化思想的新方法。第一种方法使用精确的先验给定的全局Lipschitz常数作为一阶导数。第二种方法在搜索过程中自适应地估计局部Lipschitz常数。这两种算法要么找到从左起的第一个根,要么确定全局最小值(在目标函数没有根的情况下)。在这两种情况下,建立了新方法收敛到所需解的充分条件。文中还给出了实际问题的数值试验结果和一组检验函数。
2011-03-19 cs.CE cs.NA math.NA
A Perron iteration for the solution of a quadratic vector equation arising in Markovian Binary Trees
Università di Pisa(比萨大学);Scuola Normale Superiore(意大利高等师范学院)
提出一种基于Perron向量的不动点迭代法求解马尔可夫二叉树中的二次向量方程,理论分析收敛性,并在近临界问题中优于现有方法。
2010-06-03 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
Fast Galerkin Method for Solving Helmholtz Boundary Integral Equations on Screens
我们解决第一类Fredholm边界积分方程所产生的亥姆霍兹和拉普拉斯问题的有界,光滑屏幕在三维Dirichlet或诺依曼条件。建议的Galerkin-Bubnov方法作为离散元素的标准球谐函数的推进加权方位投影到规范磁盘。我们表明,这些基地允许频谱收敛,并提供完全离散的误差分析。数值实验支持我们的主张,与Nyström型和$hp$ -方法的结果。
2020-11-11 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
MGM: A meshfree geometric multilevel method for systems arising from elliptic equations on point cloud surfaces
我们开发了一种新的无网格几何多层(MGM)方法来求解由点云表示的曲面上的椭圆偏微分方程离散化所产生的线性系。该方法使用泊松磁盘采样型技术粗化点云和新的无网格约束/插值算子的基础上多调和样条之间的粗化点云的信息传输。然后将这些与标准平滑和算子粗化方法在V循环迭代中相结合。MGM适用于基于各种局部无网格方法的椭圆偏微分方程的离散,包括径向基函数有限差分(RBF-FD)和广义有限差分(GFD)。我们测试MGM作为一个独立的求解器和Krylov子空间方法的预处理几个测试问题,使用RBF-FD和GFD,并数值分析收敛速度,效率和缩放随着点云大小的增加。我们还执行并排比较代数多重网格(AMG)方法解决相同的系统。最后,我们进一步证明了MGM的有效性,将其应用到三个具有挑战性的应用程序在复杂的表面:图案形成,表面谐波,测地线距离。
2022-04-13 cs.NA math.NA
Solving the linear transport equation by a deep neural network approach
在本文中,我们采用深度学习方法,特别是深度神经网络(DNN)方法来研究线性传输模型。虽然使用DNN来研究偏微分方程的兴趣正在兴起,但在这里,我们将其应用于研究动力学模型,特别是线性输运模型。此外,对神经网络及其近似解向分析解的收敛性进行了理论分析。我们在数值实验中证明了所提出的DNN方法的准确性和有效性。
2021-02-18 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
Approximation and Generalization of DeepONets for Learning Operators Arising from a Class of Singularly Perturbed Problems
针对解含薄边界层的奇异摄动问题,提出应用DeepONets逼近解算子,证明逼近误差、泛化差距与经验风险关于摄动参数一致收敛,并利用Shishkin网格点数值实验验证其捕捉奇异边界层行为的有效性。
2023-06-29 cs.NA math.NA
GCGE: A Package for Solving Large Scale Eigenvalue Problems by Parallel Block Damping Inverse Power Method
本文提出了一个求解大规模本征值问题的特征值求解器及其相应的软件包GCGE。该方法是阻尼思想、子空间投影法和动态位移反幂法的结合。为了减少投影子空间的维度,当所需特征对数量较多时,提出了一种移动机制。介绍了该软件包的数值方法、实现技术和软件结构。大量的数值计算结果表明,该特征值求解器和GCGE软件包具有很好的效率、稳定性和可扩展性,可用于计算大量大型对称矩阵的特征值对。
2021-11-12 cs.NA math.NA
A new block alternating splitting iteration method for solving a class of two-by-two block complex linear systems
针对时间周期抛物型方程分布最优控制问题有限元离散得到的2×2分块复线性系统,提出无条件收敛的BASI迭代法及对应预条件子与参数估计公式,数值实验验证其有效性并对比了现有方法。
2022-09-24 cs.NA math.NA
Conditioning of linear systems arising from penalty methods
在温和的假设下,惩罚Stokes问题中的不可压缩性导致具有条件数$κ=\mathcal{O} (\varepsilon ^{-1}h^{-2})$、$\varepsilon =$罚参数$<<1$和$ h= $网格宽度$<1$的矩阵。虽然$κ=\mathcal{O}(\varepsilon ^{-1}h^{-2}) $很大,但实际测试很少报告解决这些系统的困难。在SPD的情况下,使用共轭梯度法,这通常是由惩罚系数矩阵中出现的频谱间隙来解释的。在此,我们指出第二个影响因素。由于解是近似不可压缩的,因此与罚项相关的本征空间中的解分量可以很小。因此,有效条件数可以比标准条件数小得多。
2022-06-14 cs.NA math.NA
New preconditioner strategy for solving block four-by-four linear systems: An application to the saddle-point problem from 3D Stokes equation
本文针对三维Stokes方程有限元离散产生的分块四乘四鞍点问题,提出新的预条件策略,结合PGCG块迭代求解器处理多右端项,并给出收敛性分析,数值实验验证了方法的高效性。
2024-02-20 cs.NA math.NA
Convergence rate of DeepONets for learning operators arising from advection-diffusion equations
我们在[Chen and Chen 1995]和[Lu et al. 2020]中提出了算子学习的收敛性分析,其中连续算子近似于分支网络和主干网络的乘积之和。在这篇工作中,我们考虑了有或没有反应的线性和非线性对流-扩散方程的解算子的学习速率。我们发现,收敛速度依赖于分支网络的结构以及输入和输出的解算子的光滑性。
2021-03-17 cs.NA math.AP math.NA
Iterative scheme for solving optimal transportation problems arising in reflector design
Western Washington University(西华盛顿大学)
针对反射器设计中的最优传输问题,提出一种迭代线性规划方案,通过逐步减少约束数量实现更精细网格的数值求解。
2011-11-04 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
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
Eighth-Order Accurate Methods for Boundary Value Problems Arising from the Lane-Emden Equation
本文针对 Lane-Emden 方程边值问题的端点奇异性,提出基于带修正项梯形求积公式的离散迭代格式,并证明其具有八阶精度与收敛性,数值实验表明其优于现有方法。
2025-08-27 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 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
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
Scheduled Relaxation Jacobi schemes for non-elliptic partial differential equations
预定松弛雅可比(SRJ)方法是一种线性求解器算法,其通过使用明智选择的松弛因子(SRJ方案)来衰减解误差,从而极大地改善雅可比迭代的收敛性。到目前为止,该方法主要用于加速椭圆偏微分方程(例如拉普拉斯,泊松方程)的解决方案,因为目前可用的计划仅限于解决这类问题。本文的目标是提出一种方法来构造SRJ计划,这是适合于解决非椭圆型偏微分方程(或等效的,非对称的线性系所产生的离散这些偏微分方程),从而扩展了这种方法的适用性,以更广泛的一类问题。这些方案是通过数值求解一个约束最小化问题得到的,只要线性系具有位于复平面的某些区域中的特征值,该约束最小化问题就保证解的误差不会增长。我们证明了对于一维和二维定常对流-扩散方程的离散化所产生的非对称线性系组,这些格式能够加速标准Jacobi迭代的收敛。
2021-12-13 cs.NA math.NA
Point-Cloud-based Deep Learning Models for Finite Element Analysis
在本文中,我们探索基于点云的深度学习模型来分析有限元分析产生的数值模拟。我们的目标是自动分类的模拟结果,而无需繁琐的人工干预。本文提出了两种模型:点网分类模型和动态图卷积神经网络模型。这两种训练的点云深度学习模型在汽车行业的有限元分析实验中表现良好。所提出的模型在自动化的分析过程中的有限元模拟的承诺。点网模型和动态图卷积神经网络模型的预测精度分别为79.17%和94.5%。
2022-11-18 cs.NA math.NA
Parallel Sub-Structuring Methods for solving Sparse Linear Systems on a cluster of GPU
本文的主要目的是分析子结构方法并行求解由有限元、有限体积和有限差分等偏微分方程离散化所产生的矩阵稀疏线性系。结合通用图形处理器(GPGPU)上的成功应用,提出了一种多GPU和CPU混合的子结构算法。GPU计算与CUDA一起用于加速在每个处理器上执行的操作。数值实验已经进行了一组矩阵所产生的工程问题。我们比较了C+MPI在经典CPU集群上的实现和C+MPI+CUDA在GPU集群上的实现。性能比较表明,使用CUDA子结构方法的速度提高了19倍,在双精度。
2021-08-08 cs.DC cs.MS cs.NA
Construct Deep Neural Networks Based on Direct Sampling Methods for Solving Electrical Impedance Tomography
本文研究了电阻抗断层成像(EIT)问题时,只有有限的边界测量,这是已知的是具有挑战性的,由于极端不适定性。在直接采样方法(DSM)的基础上,提出了深度直接采样方法(DDSMs)来定位非均匀夹杂物,其中构造了两种类型的深度神经网络(DNN)来逼近指标函数(泛函):全连接神经网络(FNN)和卷积神经网络(CNN)。所提出的DDSM易于实现,能够合并多个柯西数据对,以实现高质量的重建和相对于大噪声的高度鲁棒性。此外,DDSM的实现采用离线-在线分解,这有助于减少大量的计算成本,使DDSM的效率与传统的DSM。数值实验证明了DNN与DSM相结合的有效性和潜在的好处。
2020-09-17 cs.NA math.NA
On solving large-scale limited-memory quasi-Newton equations
Wake Forest University(维克森林大学);University of California, Merced(加州大学默塞德分校)
本文提出一种基于限记忆矩阵逆的紧凑表示法的新方法,用于求解受限Broyden类更新和对称秩一更新产生的线性方程组,该方法在速度和精度上优于其他算法,并能高效计算系统矩阵的条件数。
2016-11-01 cs.NA math.NA
Optimal Convergence Rate of Self-Consistent Field Iteration for Solving Eigenvector-dependent Nonlinear Eigenvalue Problems
对求解一类具有特征向量依赖性(NEPv)的非线性本征值问题的自洽场(SCF)迭代法进行了全面的收敛性分析.使用一个切线角矩阵作为一个中间措施的近似误差,我们建立了新的公式的两个基本量,最佳地表征局部收敛的平原SCF:局部收缩因子和局部平均收缩因子。与以前建立的结果相比,新的收敛速度估计提供了更清晰的边界上的收敛速度。作为一个应用,我们扩展的收敛性分析,一个流行的SCF的变种-电平移位SCF。对电子结构计算中的Kohn-Sham方程和玻色-爱因斯坦凝聚模拟中的Gross-Pitaevskii方程所产生的NEPv,数值计算证明了收敛速度估计的有效性.
2020-09-18 cs.NA math.NA
Implicit bias with Ritz-Galerkin method in understanding deep learning for solving PDEs
本文旨在研究Ritz-Galerkin(R-G)方法和深度神经网络(DNN)方法在求解偏微分方程(PDE)方面的差异,以更好地理解深度学习。为此,我们考虑求解一个特定的泊松问题,其中方程f的右侧信息仅在n个样本点处可用,即f在有限个样本点处是已知的。通过理论和数值研究,我们证明了对于一维问题,R-G方法的解收敛于分段线性函数,对于高维问题,R-G方法的解收敛于正则性较低的函数.然而,在相同的设置下,DNN学习相对平滑的解决方案,而不管维度如何,也就是说,DNN隐含地偏向于在所有函数中具有更多低频分量的函数,这些函数可以在可用数据点处拟合方程。最近对频率原理的研究解释了这种偏差(Xu等人,(2019)[17]和Zhang等人,(2019)[11,19])。除了传统数值方法和DNN在近似角度上的相似性之外,我们的工作表明,不同于传统数值方法的学习过程中的隐式偏差可以帮助更好地理解DNN的特性。
2020-12-09 cs.NA math.NA
QuantileRK: Solving Large-Scale Linear Systems with Corrupted, Noisy Data
在实际应用中产生的线性系测量数据经常遭受大的、稀疏的破坏和广泛的小尺度噪声。这可能会使许多流行的求解器无效,因为最小二乘解与所需的解相差甚远,并且底层的一致系统变得更难识别和求解。QuantileRK是Kaczmarz迭代投影方法家族的成员,已被证明对具有任意大稀疏破坏的系统呈指数收敛。在本文中,我们将分析扩展到不仅存在损坏,而且可能影响每个数据点的噪声的情况,并证明QuantileRK以相同的速率收敛到错误阈值。我们给出了理论和实验结果证明QuantileRK的强度。
2021-08-04 cs.NA math.NA
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
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
Spectral Galerkin method for solving elastic wave scattering problems with multiple open arcs
研究了无界区域上弹性时谐波散射问题,边界由有限个不相交的有限个二维开口弧(或裂纹)组成。具体来说,我们提出了一个快速的谱Galerkin方法求解相关的弱和超奇异边界积分方程(BIE)所产生的Dirichlet和Neumann边界条件,分别。所得到的边界积分方程的离散化基采用加权切比雪夫多项式来捕捉解的边缘行为。我们表明,这些基地保证指数收敛的多项式程度时,假设解析的来源和弧的几何形状。数值算例表明,所提出的方法的精度和鲁棒性的弧数和波数。
2022-05-10 cs.NA math.AP 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
Solving generalized eigenvalue problems by ordinary differential equations on a quantum computer
在实际中出现的许多特征值问题通常具有广义形式$A\x=λB\x$。一个特别重要的情况是对称的,即$A, B$是埃尔米特的,而$B$是正定的。求解这类特征值问题的标准算法是将它们归结为厄米特特征值问题。在量子计算机中,量子相位估计是解决厄米特本征值问题的一种有效方法。在这项工作中,我们提出了一个新的量子算法的对称广义本征值问题使用常微分方程。该算法比基于量子相位估计的标准算法具有更低的复杂度。此外,它适用于比对称更广泛的情况:$B$是可逆的,$B^{-1}A$是对角化的,所有的特征值都是实数。
2021-10-19 cs.NA math.NA quant-ph
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
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
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
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