3D-VAR for Parametrized Partial Differential Equations: A Certified Reduced Basis Approach
Aachen Institute for Advanced Study in Computational Engineering Science (AICES), RWTH Aachen University(亚琛高等研究学院计算工程科学研究所(AICES),亚琛工业大学);Numerical Mathematics (IGPM), RWTH Aachen University(数值数学(IGPM),亚琛工业大学);Aachen Institute for Advanced Study in Computational Engineering Science (AICES) and Faculty of Civil Engineering, RWTH Aachen University(亚琛高等研究学院计算工程科学研究所(AICES)和土木工程学院,亚琛工业大学)
本文提出了一种降阶方法用于参数化偏微分方程的3D变分数据同化,通过在测量空间中惩罚可测量的误差来改进状态估计,同时提供后验误差界以保证精度。
2019-05-14 cs.NA math.NA
A Certified Reduced Basis Method for Linear Parametrized Parabolic Optimal Control Problems in Space-Time Formulation
在这项工作中,我们提出了有效地解决不定常的参数化最优控制问题的抛物型偏微分方程通过认证的减少基方法。特别是,我们将利用一个误差估计程序,基于易于计算的数量,保证严格和有效的约束所涉及的变量的错误。首先,我们提出了手头的问题的分析,证明其适定性由于Nečas - Babuška理论的分布式和边界控制的时空制定。然后,我们推导出误差估计应用贪婪的方法在离线阶段,为了执行,在在线阶段,Galerkin投影到一个低维空间跨越适当选择的高保真度的解决方案。我们测试了两个模型问题的误差估计Graetz流:一个物理参数化的分布式最优控制问题和边界最优控制问题的物理和几何参数。结果已被比较到以前提出的界限,根据精确计算的Babuška inf-sup常数,在可靠性和计算成本。我们注意到,我们的研究结果仍然保持在稳定的设置,我们提出了一个简短的见解,也为这个更简单的配方。
2021-03-08 cs.NA math.NA
Certified reduced basis methods for fractional Laplace equations via extension
George Mason University(乔治梅森大学);University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校);University of Utah(犹他大学)
本文提出基于降阶方法的分数拉普拉斯方程求解策略,通过减少计算成本提升求解效率,验证了在二维空间中该方法的准确性和高效性。
2018-08-01 cs.NA math.NA
Be greedy and learn: efficient and certified algorithms for parametrized optimal control problems
研究参数化线性二次最优控制问题,结合贪婪降基方法与机器学习代理模型加速在线求解,扩展贪婪控制算法并实现误差估计向机器学习模型的转移以提供后验误差认证,数值实验验证了方法的高效性。
2023-07-28 cs.NA math.NA math.OC
Adaptive Localized Reduced Basis Methods for Large Scale Parameterized Systems
本文提出一种自适应局部化降基方法,作为信赖域优化中的局部模型,用于偏微分方程约束的参数优化,并通过数值评估验证其有效性。
2023-05-09 cs.NA math.NA math.OC
Application of Deep Kernel Models for Certified and Adaptive RB-ML-ROM Surrogate Modeling
在缩减基方法的框架中,我们最近引入了一种新的认证分层和自适应代理模型,该模型可用于由参数化偏微分方程控制的输入-输出映射的有效近似。这种自适应方法结合了全阶模型,降阶模型和机器学习模型。在这篇文章中,我们通过利用机器学习部分的新内核模型来扩展该方法,特别是结构化深度内核网络以及两层内核模型。我们证明了这些增强的内核模型的RB-ML-ROM代理建模链的可用性,并强调其在数值实验中的好处。
2023-02-28 cs.NA math.NA
Reduced Basis Decomposition: a Certified and Fast Lossy Data Compression Algorithm
University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
降维是数据挖掘领域中经常需要解决的问题。这些方法的目标是将给定的高维数据映射到一个低维空间,保持初始数据的某些属性。有两种技术可用于此目的。第一种是投影方法,它建立了一个从高维空间到低维空间的显式线性投影。另一方面,非线性方法利用两个空间之间的非线性和隐式映射。在这两种情况下,文献中考虑的方法通常依赖于计算非常密集的矩阵分解,通常是奇异值分解(SVD)。由于实际数据集的大小不断增加,SVD的计算负担很快使这些降维方法变得不可行。在本文中,我们提出了一种新的分解策略,减少基分解(RBD),这是受减少基方法(RBM)。给定$X$为高维数据,该方法通过$Y \, T (\approx X)$对其进行近似,其中$Y$为低维代理,$T$为转换矩阵。通过贪婪算法获得$Y$,因此非常有效。事实上,它比SVD快得多,精度相当。$T$可以在运行中计算。此外,与许多压缩算法不同,它很容易找到任意“样本外”向量的映射,并且它带有一个“错误指示符”,以证明压缩的准确性。数值结果验证这些索赔。
2015-03-19 cs.AI cs.CV cs.NA
Two-stage model reduction approaches for the efficient and certified solution of parametrized optimal control problems
针对参数化线性二次最优控制问题,提出结合系统动力学与最优终末时间伴随状态流形降基近似的两阶段降阶模型,推导后验误差估计器并证明可靠性,数值实验验证了模型精度与计算加速效果。
2024-08-28 cs.NA math.NA math.OC
A new certified hierarchical and adaptive RB-ML-ROM surrogate model for parametrized PDEs
我们提出了一种新的替代建模技术的有效近似的输入输出映射参数化偏微分方程。该模型是分层的,因为它是建立在全阶模型(FOM),降阶模型(ROM)和机器学习(ML)模型链。该模型是自适应的,在这个意义上,ROM和ML模型在一系列的参数请求模型的过程中进行调整。为了允许认证的模型层次结构,以及控制的适应过程中,我们采用严格的后验误差估计的ROM和ML模型。特别是,我们提供了一个基于ML的模型,允许严格的分析质量声明的例子。我们证明了效率的建模链上的蒙特卡罗和参数优化的例子。在这里,ROM是通过减少基方法实例化和ML模型是由神经网络或VKOGA内核模型。
2022-12-02 cs.NA math.NA
A Certified Natural-Norm Successive Constraint Method for Parametric Inf-Sup Lower Bounds
University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯学院)
本文提出一种认证的自然范数递推约束方法(cNNSCM),用于快速准确评估参数算子的inf- sup下界。该方法结合贪心算法和递推约束,通过自适应分解参数域提高下界质量。
2015-03-16 cs.NA math.NA
Reduced basis methods for quasilinear elliptic PDEs with applications to permanent magnet synchronous motors
本文提出了一种求解拟线性椭圆型问题的认证缩减基(RB)方法,并将其应用于非线性静磁方程,其中后一种模型为永磁同步电机(PMSM)。参数化通过域的几何形状进入,因此,与非线性相结合,驱动我们的约简问题。我们提供了一个残差为基础的后验误差界,连同贪婪的方法,允许构建减少的基础空间的小尺寸。我们使用经验插值方法(EIM),以保证高效的离线-在线计算过程。然后用牛顿法的替代方法得到了减基解。数值结果表明,建议的减少基方法提供了一个显着的计算增益相比,有限元法。
2020-07-02 cs.NA math.NA
Adaptive Reduced Basis Methods for Multiscale Problems and Large-scale PDE-constrained Optimization
本文介绍了模型降阶方法的最新进展,主要目的是为参数化多尺度现象构造在线有效的简化代理模型,并加速大规模PDE约束参数最优化方法。特别是,我们提出了几种不同的自适应RB方法,可用于在一个错误感知的信任区域框架,逐步建设的代理模型在认证的外部优化循环。此外,我们阐述了几个不同的增强信赖域缩减基(TR-RB)算法,并将其推广到参数约束。由于降阶模型的后验误差估计,所得到的算法可以被认为是相对于高保真模型认证。此外,我们使用先优化再离散的方法,以便最大限度地利用问题的底层最优性系统。在本论文的第一部分,理论是基于全球RB技术,使用一个精确的有限元离散作为高保真模型。在第二部分中,我们重点研究了局部模型降阶方法,并针对局部正交分解(LOD)多尺度方法,提出了一种新的在线高效降阶模型。该降阶模型内部基于LOD的双尺度公式,特别是独立于LOD的粗和细离散化。本文的最后一部分致力于结合TR-RB方法和局部RB方法的LOD结果。为此,我们提出了一种算法,使用自适应局部化的减少基础的信赖域局部化的基础(TR-LRB)算法的框架中的方法。TR-RB的基本思想被遵循,但所涉及的系统的有限元评估是完全避免的。
2022-11-17 cs.NA math.NA
Deflation-based certified greedy algorithm and adaptivity for bifurcating nonlinear PDEs
针对非线性参数化 PDE 的多解分岔问题,提出 adaptive-greedy 检测分岔点与 deflated-greedy 同时认证多分支,并在 Navier-Stokes Coanda 效应问题上验证。
2025-05-13 cs.NA math.NA
Certified and fast computations with shallow covariance kernels
University of Cambridge(剑桥大学);Eindhoven University of Technology(埃因霍温理工大学);Technical University of Munich(慕尼黑工业大学)
数据科学和不确定性量化的许多技术都需要有效的工具来处理高斯随机场,这些随机场是根据其均值函数和协方差运算符定义的。近年来,参数化高斯随机场由于其更高的灵活性而受到越来越多的关注。然而,特别是如果随机场通过其协方差算子参数化,经典的随机场离散化技术失败或变得低效。在这项工作中,我们介绍和分析了一个新的和认证的算法的低秩近似的参数化家庭的协方差算子,这是一个扩展的自适应交叉近似方法对称正定矩阵。该算法依赖于协方差算子关于参数的仿射线性展开,其需要在预处理步骤中使用例如经验插值方法。我们讨论和测试我们的新方法的各向同性协方差内核,如Matérn内核。数值结果表明,我们的方法在计算时间方面的优势,并确认所提出的算法提供了一个快速采样过程的基础上,参数依赖的高斯随机场。
2020-11-12 cs.LG cs.NA math.NA
Certified Model Order Reduction for parametric Hermitian eigenproblems
University of Stuttgart(斯图加特大学)
本文提出了一种用于参数赫米特特征问题的认证模型降阶方法,通过构建子空间并计算误差估计,以确保最小特征值及其相关特征空间的可靠性。
2026-01-13 cs.NA math.NA
A Tree-Based Localized Reduced Basis Method for Parametrized Parabolic PDEs
University of Ottawa(渥太华大学)
提出基于层次二叉树参数域划分的局部化降基方法,结合POD-Greedy构造降基空间,推导等价后验误差估计器并用于模态数选择,数值实验验证了收敛性。
2026-09-30 cs.NA math.NA
Adaptive Reduced Basis Trust Region Methods for Parameter Identification Problems
针对椭圆型偏微分方程参数识别反问题,提出一种自适应降基信赖域方法,在在线阶段自适应构建降维参数空间并结合状态空间降维,有效降低计算复杂度。
2024-10-11 cs.NA math.NA math.OC
MORe DWR: Space-time goal-oriented error control for incremental POD-based ROM
本文提出MORe DWR方法,将对偶加权残差误差估计与增量POD基生成相结合,实现时空降阶模型的自适应基丰富,跳过离线阶段并最小化全阶模型求解。
2023-04-03 cs.NA math.NA math.OC
Hierarchical Model Reduction Techniques for Flow Modeling in a Parametrized Setting
本文提出两种基于投影模型降阶技术的方法,分别采用 proper orthogonal decomposition 和 greedy algorithm 构建降阶基,以高效准确求解参数化偏微分方程,并在二维标量和向量测试用例上进行了初步比较。
2021-01-26 cs.NA math.NA
Fast Matrix Multiplication in fp8: Certified Coefficient Optimization and Measured Error
Beijing Tongming Lake Information Technology Application Innovation Center (TLAIC)(北京通明湖信息技术应用创新中心);Fudan University Institute of Systems for Advanced Computing(复旦大学先进计算系统研究院);Harbin Institute of Technology(哈尔滨工业大学);Key Lab of HCST (PKU), MOE(北京大学高可信软件技术教育部重点实验室;北京大学计算机学院);SCS, Peking University(上海开放计算系统研究院);Shanghai Institute of Systems for Open Computing
本文提出系数泛函 Phi 最小化方法,在 fp8 下认证 Strassen 型矩阵乘法实现的全局最优性,并实测其误差优势,将算法实现转化为数学认证的设计问题。
2026-09-23 cs.LG cs.NA math.NA
Certification of the QR factor R, and of lattice basis reducedness
本文提出一种基于QR分解R因子误差界认证的算法,以12n^3+O(n^2)次浮点运算严格验证格基是否LLL约化,成本仅为QR分解的六倍,并实验证明其能有效认证最快LLL启发式算法的输出。
2007-01-29 cs.NA cs.SC math.NA
Error control for the localized reduced basis multi-scale method with adaptive on-line enrichment
University of Münster(明斯特大学)
本文提出了一种基于保守通量重建的局部降阶多尺度方法,用于参数椭圆问题的后验误差估计,通过自适应在线丰富提高计算效率和精度。
2015-02-06 cs.NA math.NA
An ultraweak variational method for parameterized linear differential-algebraic equations
研究了(参数化)线性微分-代数方程的超弱变分形式.产生最优稳定系统的时间变量。这是用在彼得罗夫-伽辽金方法,以获得一个认证的详细的离散化,提供了一个近似解在超弱设置以及模型减少w.r.t.根据减少基数法(RBM)的精神。导出了可计算的精确误差界。数值实验表明,这种方法产生了显着的减少,并可以与著名的系统理论方法,如平衡截断,以减少DAE的大小。
2022-03-25 cs.NA math.NA
New convergence results for Carleman linearization
Università di Firenze(佛罗伦萨大学)
针对多项式常微分方程的有限Carleman截断,提出新的误差界,通过Dyson-Duhamel展开分离线性和非线性部分,得到度感知的几何收敛估计。
2026-06-24 cs.NA math.NA
Offline-Enhanced Reduced Basis Method through adaptive construction of the Surrogate Parameter Domain
University of Massachusetts Dartmouth(达特茅斯马萨诸塞大学);University of Utah(犹他大学)
本文提出了一种改进的离线减少基方法,通过自适应构造较小的替代参数域来减少计算成本,同时保持精度,适用于低Kolmogorov宽度的解集。
2017-03-16 cs.NA math.NA
Reduced Basis Methods for Parametric Steady-State Radiative Transfer Equation
Rensselaer Polytechnic Institute(伦斯勒理工学院);University of Massachusetts Dartmouth(麻省大学达特茅斯分校);Virginia Tech(弗吉尼亚理工大学)
本文提出基于降阶基方法的参数稳态辐射传输方程降阶模型,通过高效策略提升计算效率和鲁棒性,实现显著的速度提升。
2025-12-17 cs.NA math.NA
Reduced-Basis Deep Operator Learning for Parametric PDEs with Independently Varying Boundary and Source Data
Department of Mathematics, Purdue University(数学系,普渡大学);School of Mechanical Engineering, Purdue University(机械工程学院,普渡大学)
RB-DeepONet通过结合缩减基与深度运算学习,实现高效、稳定且可解释的参数PDEs求解。
2025-11-23 cs.LG cs.NA math.NA
Space-time goal-oriented reduced basis approximation for linear wave equation
Cardiff University(卡迪夫大学)
本文提出一种基于有限元和降阶方法的导向性POD-Greedy采样流程,用于求解具有仿射参数依赖的线性阻尼二阶双曲偏微分方程,提升时空输出计算的准确性。
2013-09-14 cs.NA math.NA physics.comp-ph