Fast Fourier-like Mapped Chebyshev Spectral-Galerkin Methods for PDEs with Integral Fractional Laplacian in Unbounded Domains
在本文中,我们提出了一个快速的谱Galerkin方法求解含整数分数拉普拉斯算子的偏微分方程$\mathbb{R}^d$,这是建立在两个基本组成部分:(i)Dunford-Taylor公式的分数拉普拉斯算子;和(ii)Fourier-like双正交映射Chebyshev函数(MCF)作为基函数。因此,分数拉普拉斯算子可以完全对角化,并且求解椭圆分数PDE的复杂度是准最优的,即,$O((N\log_2N)^d)$,其中$N$是每个空间方向上的模式的数量。对各种衰减精确解的充分数值试验表明,快速求解器的收敛性与理论误差估计的阶数完全匹配。通过适当的时间离散,快速求解器可以直接应用于一个大类的非线性分数阶偏微分方程。作为一个例子,我们用四阶时间分裂方法和MCF-spectral-Galerkin方法求解了分数阶非线性Schr{<$}dinger方程.
2019-08-27 cs.NA math.NA
Model order reduction in contour integral methods for parametric PDEs
本文讨论了一类参数线性发展偏微分方程的投影模型降阶方法,该方法基于拉普拉斯变换的应用。这种方法的主要优点在于,与时间步进方法(如龙格-库塔积分器)不同,拉普拉斯变换允许在给定时刻直接计算解,这可以通过用合适的求积公式近似与拉普拉斯逆变换相关联的轮廓积分来完成。在一些经典的MOR方法方面,这决定了简化阶段的显著改进-如基于经典的固有正交分解(POD)的简化阶段-因为分解应用的向量的数量急剧减少,因为它不包含通过时间步进方法沿着积分网格生成的所有中间解。我们展示了一些说明性的抛物型偏微分方程所产生的金融方法的有效性,也提供了一些证据,我们提出的方法,当应用到一个线性对流方程,不遭受的奇异值的缓慢衰减的问题,而不是影响时间步长方法的数值逼近的柯西问题所产生的空间离散化。
2022-09-01 cs.NA math.NA
The Consistency of Partial Observability for PDEs
Naval Postgraduate School(海军研究生院)
本文针对偏微分方程提出了一种新的可观测性定义,作为部分可观测性的定量度量,并证明了在适定近似方案下该度量的一致性,同时引入基于经验格拉姆矩阵的一阶不可观测性指标。
2011-11-24 cs.NA math.DS math.NA
Overcoming the curse of dimensionality in the numerical approximation of Allen-Cahn partial differential equations via truncated full-history recursive multilevel Picard approximations
高维非线性偏微分方程的近似解是应用数学中最具挑战性的问题之一。像有限差分或有限元这样的标准确定性近似方法在计算工作量在维度上呈指数增长的意义上遭受维度灾难。在这项工作中,我们克服了这一困难的情况下,反应扩散型偏微分方程的局部Lipschitz连续coervice非线性(如艾伦-卡恩偏微分方程),通过引入和分析截断变量最近推出的全历史递归多级皮卡德近似计划。
2019-07-15 cs.NA math.AP math.NA
Efficient Monte Carlo Method for Integral Fractional Laplacian in Multiple Dimensions
在本文中,我们发展了一种蒙特卡罗方法来求解包含整数分数拉普拉斯算子的多维偏微分方程。本文首先构造了任意维单位球上分数拉普拉斯算子的基于格林函数的Feynman-Kac表示。受[24]中提出的“在球体上行走”算法的启发,我们将我们的算法扩展到求解复域中的分数阶偏微分方程。然后,我们可以计算一个多维随机变量的期望与已知的密度函数,以获得数值解有效。该算法在求解分数阶偏微分方程时非常有效:它只需要用已知的格林函数计算一系列内球切线边界上的期望形式的积分。此外,我们对$n$维单位球进行了所提出方法的误差估计。最后,大量的数值结果表明,这种方法的鲁棒性和有效性的分数偏微分方程在单位圆盘和复杂的区域,甚至在10维单位球。
2022-04-19 cs.NA math.NA
Approximation of Integral Fractional Laplacian and Fractional PDEs via sinc-Basis
在随机过程、成像科学、电子物理学等领域的许多应用的推动下,分数拉普拉斯最近受到了极大的关注。该算子成功背后的关键驱动力是它能够捕获非局部效应,同时对函数施加较少的平滑度。在本文中,我们介绍了一个谱方法来近似该算子采用sinc基。使用我们的计划,评估的运营商和它的应用到一个向量的复杂性为$\mathcal O(N\log(N))$,其中$N$是未知数的数量。因此,使用迭代法,如CG,我们提供了一个有效的策略来解决分数阶偏微分方程的外部Dirichlet条件的任意Lipschitz域。我们的实现在$2d$和$3d$中都可以工作。我们还恢复了有限元基准问题的收敛速度。我们进一步说明了我们的方法的效率,通过将其应用到分数Allen-Cahn和图像去噪问题。
2021-07-13 cs.NA math.NA
Semi-Lagrangian one-step methods for two classes of time-dependent partial differential systems
University of North Carolina Wilmington(北卡罗来纳大学温斯顿学院)
本文提出半拉格朗日单步方法用于求解两类一般偏微分方程的初值问题,通过特征线上的ODE数值方法实现高阶局部截断误差,并分析方法的稳定性、收敛性及最大误差界。
2017-03-06 cs.NA math.NA
On some neural network architectures that can represent viscosity solutions of certain high dimensional Hamilton--Jacobi partial differential equations
我们提出了新的连接几个神经网络架构和黏性解的一些Hamilton-Jacobi(HJ)偏微分方程(PDE)的哈密顿是凸的,只依赖于空间梯度的解决方案。具体来说,我们证明了在一定的假设下,我们提出的两个神经网络结构表示黏性解的两组HJ偏微分方程的零误差。我们还使用Tensorflow实现了我们提出的神经网络架构,并提供了几个示例和插图。注意,这些神经网络表示可以避免某些HJ PDE的维数曲线,因为它们既不涉及网格也不涉及离散化。我们的研究结果表明,有效的专用硬件实现神经网络可以利用某些HJ PDE的黏性解进行评估。
2020-11-03 cs.NA math.NA
Numerical simulations for full history recursive multilevel Picard approximations for systems of high-dimensional partial differential equations
高维非线性偏微分方程(PDE)的求解是应用数学中最具挑战性的问题之一。特别地,很难开发出不受维数灾难影响的近似算法,因为算法计算精度近似$ε> 0$所需的计算操作的数量在所需精度的倒数$1/ε$和PDE的维数$d \in \mathbb{N}$中最多多项式增长。最近,一种新的近似方法,所谓的全历史递归多层次Picard(MLP)近似方法,已被引入,直到今天,这种近似方案是唯一的近似方法在科学文献中已被证明克服灾难的维数在一般时间范围的半线性偏微分方程的数值逼近。本文的一个重要贡献是将MLP近似方法推广到半线性偏微分方程系统,并在几个例子上进行了数值测试。更具体地说,我们建议的MLP近似方法的情况下,艾伦-卡恩偏微分方程,正弦戈登型偏微分方程,耦合半线性热偏微分方程系统,半线性布莱克-斯科尔斯偏微分方程在多达1000个维度。所呈现的数值模拟结果表明,在这些示例PDE中的每一个的情况下,所提出的MLP近似方法在短运行时间内产生非常准确的结果,并且特别地,所呈现的数值模拟结果表明,所提出的MLP近似方案显著优于用于高维半线性PDE的某些基于深度学习的近似方法。
2020-05-25 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
An exploratory study on machine learning to couple numerical solutions of partial differential equations
随着耦合偏微分方程(PDE)的精确和有效计算的进一步进展变得越来越困难,开发用于这种计算的新方法变得非常期望。在偏离传统的方法,这篇简短的通信论文探讨了一种计算范式,耦合数值解的偏微分方程通过机器学习(ML)为基础的方法,连同初步研究的范式。特别是,它解决了在子域中的偏微分方程在传统的方法,但开发和训练人工神经网络(ANN)耦合偏微分方程的解决方案在其接口,导致解决方案的偏微分方程在整个域。利用耦合泊松方程和耦合对流-扩散方程讨论了ML耦合的概念和算法。初步的数值例子说明ML耦合的可行性和性能。虽然是初步的,这项探索性研究的结果表明,ML范式是有前途的,值得进一步研究。
2020-10-26 cs.NA math.NA
BINet: Learning to Solve Partial Differential Equations with Boundary Integral Networks
提出了一种结合边界积分方程和神经网络求解有界和无界区域上的偏微分方程的方法。与直接在原始偏微分方程上操作的现有解决方案不同,BINet作为代理学习使用神经网络求解相关的边界积分方程。好处有三方面。首先,由于根据位势论,偏微分方程可以自动地满足单层或双层表示,因此只需要拟合边界条件。其次,边界积分方程的维数通常较小,因此,可以显著降低样本复杂度。最后,该方法去除了原偏微分方程的所有微分算子,提高了数值效率和稳定性。采用神经正切核(NTK)技术,证明了BINets在神经网络宽度趋于无穷大的极限下的收敛性。大量的数值实验表明,BINet不需要计算高阶导数,训练起来容易得多,而且通常能给出更精确的解,特别是在边界条件不够光滑的情况下。此外,BINet优于强基线的一个单一的PDE和参数化的PDE在有界和无界域。
2021-10-01 cs.NA math.NA
Neural Evolutionary Kernel Method: A Knowledge-Guided Framework for Solving Evolutionary PDEs
Shanghai Jiao Tong University(上海交通大学);Southern University of Science and Technology(南方科技大学)
本文提出神经进化核方法,通过结合边界积分技术和算子学习,提高求解时间依赖PDEs的精度和效率,并支持多PDEs同时预测。
2026-02-13 cs.NA math.NA
Meta-MgNet: Meta Multigrid Networks for Solving Parameterized Partial Differential Equations
本文研究了基于深度学习(DL)的参数化偏微分方程(P-PDE)的数值解。P-PDE出现在许多重要的应用领域中,使用传统的数值格式的计算成本可能过高,特别是当参数落入特定范围并且底层PDE需要以高精度求解时。最近,用深度学习解决偏微分方程已成为一个新兴领域。已有的工作表明,基于DL的方法在加快偏微分方程数值解方面具有巨大的潜力。然而,仍然有有限的研究DL方法的P-PDE。如果我们直接将现有的监督学习模型应用于P-PDE,当参数改变时,模型需要不断微调或重新训练。这极大地限制了这些模型在实践中的适用性和实用性。为了解决这个问题,我们提出了一种基于元学习的方法,可以有效地解决P-PDE与广泛的参数,而无需重新训练。我们的主要观察是把训练一个求解器的P-PDE与一组给定的参数作为一个学习任务。然后,训练一个求解器的P-PDE与不同的参数可以被看作是一个多任务学习问题,元学习是最有效的方法之一。这种新的视角可以应用于许多现有的PDE求解器。作为一个例子,我们采用多重网格网络(MgNet)作为基本求解器。为了实现多任务学习,我们在MgNet中引入了一个新的超网络,称为Meta-NN,并将整个网络称为Meta-MgNet。Meta-NN将微分算子和底层P-PDE的右侧作为输入,并为MgNet生成适当的平滑器,这可以显着影响收敛速度。最后,大量的数值实验表明,元MgNet是更有效地解决P-PDE比…
2020-11-01 cs.NA math.NA
Optimally weighted loss functions for solving PDEs with Neural Networks
最近的工作表明,深度神经网络可以用来求解偏微分方程,从而产生了物理学通知神经网络的框架。我们介绍了这些方法,表现为一个缩放参数,平衡的相对重要性的偏微分方程所施加的不同的约束的泛化。给出了这些广义方法的数学依据,证明了对于线性适定的偏微分方程,其泛函形式是凸的。然后,我们推导出一个选择的缩放参数是最佳的相对于相对误差的措施。由于这种最优选择依赖于对解析解的充分了解,我们还提出了一种启发式方法来近似这种最优选择。所提出的方法进行了比较,数值上的各种模型偏微分方程的原始方法,与数据点的数量被更新自适应。对于几个问题,包括高维偏微分方程,所提出的方法显着提高精度。
2021-03-24 cs.NA math.NA
Generalised Hermite spectral methods for PDEs involving integral fractional Laplacian and Schrödinger operators
本文引入了两类新的任意维广义Hermite多项式/函数(GHP/GHF),并在$\mathbb R^d.$中发展了求解具有整数分数Laplacian(IFL)和/或Schr dinger算子的偏微分方程的高效精确的广义Hermite谱算法。Szegö的1D家族(1939年),GHP的第一个家族(分别为Szegö和Szegö)。GHF)相对于$|\bx|^{2μ} \e^{-|\bx|^2}$正交(分别$|\bx |^{2μ}$)在$\mathbb R^d$中。我们进一步定义了伴随广义Hermite函数(A-GHF),它通过傅里叶变换与相应的广义Hermite函数有着交织的联系,并且与$s>0$阶IFL的内积$[u,v]_{H^s(\mathbb R^d)}=((-Δ)^{s/ 2}u, (-Δ)^{s/2} v )_{\mathbb R^d}$正交.因此,使用A-GHF作为基函数的谱-伽辽金方法导致IFL的对角刚度矩阵(众所周知,这是非常困难和昂贵的离散化)。新的基础也发现有效和准确地解决偏微分方程的分数薛定谔算子:$(-Δ)^s +|\bs x|^{2μ}$与$s\in (0,1]$和$μ>-1/2.$遵循同样的精神,我们构建了第二个家庭的GHF,被称为Müntz型广义厄米函数(M-GHF),这是正交的相对于一个内积相关的基础薛定谔算子,并定制的奇异性的解决方案在原点。我们证明了…
2020-10-23 cs.NA math.NA
Spatiotemporal Orthogonal Polynomial Approximation for Partial Differential Equations
Al Imam Mohammad Ibn Saud Islamic University(伊玛目穆罕默德·伊本·沙特伊斯兰大学);University of Dhaka(达卡大学)
本文介绍谱方法及其在偏微分方程数值解中的应用,利用拉格朗日和切比雪夫正交多项式进行时空近似,并通过网格点插值生成方程组近似权重。
2014-03-23 cs.NA math.NA
A correction function-based kernel-free boundary integral method for elliptic PDEs with implicitly defined interfaces
School of Mathematical Sciences, MOE-LSC and Institute of Natural Sciences, Shanghai Jiao Tong University(上海交通大学数学科学学院、教育部实验室和自然科学研究院)
本文提出一种基于校正函数的无核边界积分法,用于高效求解具有隐式界面的椭圆偏微分方程,方法避免复杂导数推导,适用于高对比系数和异质界面问题。
2026-08-04 cs.NA math.NA physics.comp-ph
A parametrix method for elliptic surface PDEs
针对三维嵌入光滑曲面上的变系数椭圆 PDE,提出基于 parametrix 与近似 Green 函数的良态积分方程方法,并用快速多极子变体实现高阶数值求解。
2024-01-23 cs.NA math.NA
SHoP: A Deep Learning Framework for Solving High-order Partial Differential Equations
Tsinghua University(清华大学);Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)(清华大学脑与认知科学研究院)
针对现有神经网络求解高阶偏微分方程时高阶导数计算精度不足且缺乏可解释性的问题,提出深度学习框架SHoP,通过推导高阶导数规则和泰勒级数展开提供显式解,实现高效准确求解。
2023-05-17 cs.LG cs.NA math.NA
Deep Forward-Backward Dynamic Programming Schemes for High-Dimensional Semilinear Nonlocal PDEs and FBSDE with Jumps
Shanghai Normal University(上海师范大学)
提出一种新的深度学习算法,通过深度神经网络同时逼近解和积分核,并采用数值微分逼近梯度,用于求解高维半线性非局部偏微分方程及带跳正倒向随机微分方程,数值实验验证了其有效性。
2025-10-27 cs.NA math.NA
Stochastic partial differential equations arising in self-organized criticality
本文研究了弱驱动的张和Bak-Tang-Wiesenfeld(BTW)模型的自组织临界性的标度极限。我们证明了弱驱动的张模型收敛于一个具有奇异退化扩散的随机偏微分方程。此外,确定性BTW模型收敛到一个奇异退化的PDE。另外,标度极限的证明可以理解为奇异退化随机偏微分方程有限差分离散化的收敛性证明。这扩展了最近的工作(确定性)拟线性扩散方程的有限差分近似的不连续扩散系数和随机偏微分方程。此外,我们进行数值模拟,说明所考虑的模型和收敛到随机偏微分方程的空间维度$d=1,2$的关键功能。
2022-12-19 cs.NA math.AP math.NA
Overcoming the curse of dimensionality in the numerical approximation of high-dimensional semilinear elliptic partial differential equations
最近,所谓的全历史递归多层Picard(MLP)逼近方案已被引入,并显示出克服维数灾难的数值逼近半线性抛物型偏微分方程(PDE)与Lipschitz非线性。本文的主要贡献是介绍和分析了一个新的变种的MLP逼近计划的某些半线性椭圆型偏微分方程的Lipschitz非线性,并证明了所提出的逼近计划克服了灾难的维数在数值逼近这样的半线性椭圆型偏微分方程。
2020-03-01 cs.NA math.NA math.PR
A Hybrid Kernel-Free Boundary Integral Method with Operator Learning for Solving Parametric Partial Differential Equations In Complex Domains
Shanghai Jiao Tong University(上海交通大学)
提出一种混合无核边界积分(KFBI)与深度学习方法,通过神经网络逼近积分方程解算子,直接预测边界密度函数,在保留二阶精度的同时将传统迭代次数减少约50%。
2024-04-23 cs.LG cs.NA math.NA
Weak Adversarial Networks for High-dimensional Partial Differential Equations
求解一般的高维偏微分方程(PDE)是数值数学中一个长期存在的挑战。在本文中,我们提出了一种新的方法来解决高维线性和非线性偏微分方程定义在任意域上,利用他们的弱配方。我们将求解偏微分方程的弱解问题转化为一个由弱形式导出的算子范数极小化问题。然后将弱公式中的弱解和检验函数分别参数化为原始网络和对抗网络,交替更新以逼近最优网络参数设置。我们的方法,被称为弱对抗网络(WAN),是快速,稳定,完全无网格,这是特别适合于定义在不规则区域上的高维偏微分方程,其中经典的数值方法基于有限差分和有限元遭受的问题,计算速度慢,不稳定和维数灾难。我们将我们的方法应用于各种高维偏微分方程的测试问题,以证明其良好的性能。
2020-03-24 cs.NA math.NA
Overcoming the curse of dimensionality in the numerical approximation of semilinear parabolic partial differential equations
长期以来,人们都知道用蒙特卡罗方法可以近似求解高维线性抛物型偏微分方程,其计算量在维数和精度的倒数上都呈多项式增长。换句话说,线性偏微分方程不受维数灾难的影响。然而,对于一般的半线性偏微分方程的Lipschitz系数,它仍然是一个悬而未决的问题,这些是否遭受灾难的维数。在本文中,我们部分解决这个开放的问题。更确切地说,我们证明在半线性热方程的情况下,梯度独立和全球Lipschitz连续非线性,最近推出的多层次皮卡德近似的一个变体的计算工作量增长多项式的尺寸和所需的精度的倒数。
2020-06-24 cs.NA math.AP math.NA
Error analysis for empirical risk minimization over clipped ReLU networks in solving linear Kolmogorov partial differential equations
本文针对线性柯尔莫哥洛夫偏微分方程,用截断技术将裁剪ReLU网络ERM的泛化结果推广到多项式增长初始函数,证明其打破维数灾难且适用于Black-Scholes方程与热方程,并建立了相应的逼近误差结果。
2024-06-23 cs.NA math.NA
A Priori Analysis of Stable Neural Network Solutions to Numerical PDEs
利用神经网络求解偏微分方程的方法近年来已成为一个非常重要的课题。我们提供了一个先验的误差分析,这种方法是基于$\mathcal{K}_1(\mathbb{D})$规范的解决方案。我们表明,由此产生的约束最优化问题可以有效地解决使用贪婪算法,它取代了随机梯度下降。在此之后,我们表明,从离散化的能量积分所产生的误差是有界的确定性的情况下,即使用数值积分时,也在随机的情况下,即采样点近似的积分。在后一种情况下,我们使用Rademacher复杂性分析,在前一种情况下,我们使用标准的数值求积界。这扩展了现有的结果,使用一个通用的字典的功能,学习解决方案的偏微分方程的方法,重要的是给出了一个一致的分析,其中包括优化,近似和泛化方面的问题。此外,Rademacher复杂性分析被简化和推广,这使得应用到广泛的问题。
2022-07-14 cs.NA math.NA
Machine Learning for Partial Differential Equations
University of Washington(华盛顿大学)
偏微分方程(PDE)是自然物理定律的最普遍和最简洁的描述之一,以紧凑和符号化的方式捕捉了丰富的现象学和多尺度物理学。本文将探讨几个有前途的途径,PDE研究正在推进机器学习,包括:1)发现新的管理PDE和粗粒度的近似复杂的自然和工程系统,2)学习有效的坐标系和降阶模型,使偏微分方程更适合分析,和3)代表解决方案运营商和改进传统的数值算法。在每一个领域,我们总结了关键的进步,持续的挑战和进一步发展的机会。
2023-03-30 cs.LG cs.NA math.AP
Volumetric variational principles for a class of partial differential equations defined on surfaces and curves
National Tsinghua University(国立清华大学);KTH Royal Institute of Technology(皇家理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出用于定义在闭合光滑曲面(或曲线)上的偏微分方程的简单数值算法,重点研究变分原理衍生的偏微分方程,如拉普拉斯-贝尔特里方程和表面波方程,通过变分积分扩展和欧拉-拉格朗日方程推导,结合傅里叶和拉普拉斯变换分析问题的适定性。
2017-12-25 cs.NA math.NA
Randomized Reduced Basis Methods for Parameterized Fractional Elliptic PDEs
本文针对参数化分数阶椭圆型PDEs的重复模拟,提出一种结合Kato积分公式、MPGMRES-Sh求解器和随机化快照压缩的高效降阶基方法,兼顾计算与内存效率。
2023-06-29 cs.NA math.NA
On multilevel Picard numerical approximations for high-dimensional nonlinear parabolic partial differential equations and high-dimensional nonlinear backward stochastic differential equations
Princeton University(普林斯顿大学);Peking University(北京大学);University of Duisburg-Essen(杜伊斯堡-埃森大学);ETH Zurich(苏黎世联邦理工学院)
本文研究了高维非线性抛物型偏微分方程和高维非线性反向随机微分方程的数值近似方法,提出了一种基于皮卡近似和多级蒙特卡洛方法的算法,并通过数值模拟验证了其在100维问题中的准确性和效率。
2017-08-10 cs.NA math.NA
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
A hybrid physics-informed neural network for nonlinear partial differential equation
近年来发展起来的基于物理知识的机器学习在求解非线性偏微分方程(PDE)方面取得了很大的进展,但是它可能无法对具有间断解的PDE提供合理的近似。在本文中,我们专注于离散时间物理信息神经网络(PINN),并提出了一个混合PINN计划的非线性偏微分方程。在该方法中,通过引入不连续性指标将局部解结构分为光滑和非光滑尺度,然后采用自动微分技术求解光滑尺度,并采用改进的加权本质不振荡(WENO)格式捕捉不连续性.通过粘性和非粘性Burgers方程对该方法进行了测试,结果表明,与原离散时间PINN方法相比,该混合方法即使在较大的时间步长下也能更好地逼近间断解.
2021-12-03 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
A new reduced order model of linear parabolic PDEs
如何建立多维不定常偏微分方程(PDE)的精确降阶模型(ROM)是一个非常开放的问题。在本文中,我们提出了一个新的ROM的线性抛物型偏微分方程。我们证明了我们的新方法可以比标准求解器快几个数量级,而且内存密集度也要低得多。在对问题数据的一些假设下,我们证明了新方法的收敛速度与标准求解器相同。数值实验证实了我们的理论结果。
2022-09-27 cs.NA math.NA
Parallel-in-Time Simulation of Power Converters Using Multirate PDEs
本文提出了一种有效的数值算法,通过并行化的脉冲宽度调制功率变换器的模拟在时域。该方法适用于多速率偏微分方程方法的粗网格(两个网格)并行的时间算法Parareal。所提出的方法的性能示出通过其应用到DC-DC转换器。
2020-07-07 cs.NA math.NA
A novel semi-analytical multiple invariants-preserving integrator for conservative PDEs
本文针对具有多个不变量泛函的保守型偏微分方程,提出基于离散变分导数和投影技术的新型半解析多不变量保持积分器,并在KdV方程上推导出质量-动量-能量保持格式。
2025-08-18 cs.NA math.NA
PDEformer-2: A Versatile Foundation Model for Two-Dimensional Partial Differential Equations
Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心);School of Mathematical Sciences, Peking University(北京大学数学科学学院);Central Software Institute, Huawei Technologies Co., Ltd.(华为技术有限公司中央软件院);Computing Product Line, Huawei Technologies Co., Ltd.(华为技术有限公司计算产品线);the New Cornerstone Science Laboratory, Peking University(北京大学新Cornerstone科学实验室);Center for Machine Learning Research, Peking University(北京大学机器学习研究中心);Zhongguancun Academy(中关村研究院)
PDEformer-2是一种基于计算图表示的多功能基础模型,通过40TB数据预训练,可快速求解二维偏微分方程,支持零样本预测和逆问题求解。
2026-09-15 cs.NA math.NA
TransNet: Transferable Neural Networks for Partial Differential Equations
Florida State University(佛罗里达州立大学);University of South Carolina(南卡罗来纳大学);Oak Ridge National Laboratory(橡树岭国家实验室)
偏微分方程的迁移学习是开发一个预先训练好的神经网络,可以用来求解广泛的偏微分方程。现有的迁移学习方法需要目标偏微分方程的大量信息,例如其公式和/或其解的数据用于预训练。在这项工作中,我们建议从纯函数逼近的角度构建可转移的神经特征空间,而不使用PDE信息。特征空间的构建涉及隐藏神经元的重新参数化,并使用辅助函数来调整所得到的特征空间。理论分析表明,所产生的特征空间,即,均匀分布的神经元大量的数值实验验证了我们的方法的出色性能,包括显着改善的可转移性,例如,对于具有不同域和边界条件的各种偏微分方程使用相同的特征空间,并且具有优异的精度,例如,均方误差比现有技术的方法小几个数量级。
2023-01-27 cs.LG cs.NA math.NA
Overview of solution methods for elliptic partial differential equations on cartesian and hierarchical grids
椭圆型偏微分方程(PDE)出现在计算科学的许多领域,如计算流体动力学,生物物理学,工程,物理学等。由于它们的全局性质和有时病态算子,它们很难求解。我们回顾常见的椭圆偏微分方程的离散化方法,如有限差分,有限体积,有限元,谱方法和线性系统,他们形成。我们还提供了一个概述的经典的现代解决方案的方法,这些离散化方法形成的线性系统。这些方法包括分裂和Krylov方法,直接方法和分层方法。最后,我们将受益于椭圆偏微分方程的快速,高效的求解器,包括投影方法的不可压缩Navier-Stokes方程和浅水波方程的色散校正的应用。
2022-05-06 cs.CE cs.NA math.NA
Multilevel Picard approximations of high-dimensional semilinear partial differential equations with locally monotone coefficient functions
半线性抛物型偏微分方程(PDE)的全历史递推多层Picard逼近方法是唯一能证明克服维数灾难的方法,如果系数函数和非线性项是全局Lipschitz连续的,且非线性项是梯度无关的.本文将这一结果推广到局部单调系数函数。我们的结果涵盖了一系列的多项式系数函数的半线性偏微分方程。
2022-04-28 cs.NA math.NA math.PR
Deep-learning based discovery of partial differential equations in integral form from sparse and noisy data
Peking University(北京大学);Southern University of Science and Technology(南方科技大学);Peng Cheng Laboratory(鹏城实验室)
数据驱动的偏微分方程(PDE)发现近年来引起了越来越多的关注。虽然取得了重大进展,但仍存在某些未决问题。例如,对于具有高阶导数的偏微分方程,现有方法的性能不能令人满意,特别是当数据稀疏且有噪声时。同时,发现非均匀参数偏微分方程也是一个困难的问题,其中非均匀参数嵌入在偏微分算子中。本文提出了一种结合深度学习和积分形式的新框架,以同时处理上述问题,提高PDE发现的准确性和稳定性。在该框架中,首先用观察数据训练深度神经网络以生成元数据并计算导数。然后定义了统一的积分形式,并采用遗传算法寻找最优结构。最后,计算参数值,并识别参数是常量还是变量。数值实验表明,由于采用了积分形式,与现有方法相比,该算法具有更强的抗噪性和更高的精度。我们提出的算法也能够发现偏微分方程的高阶导数或异构参数精确稀疏和噪声数据。
2020-11-24 cs.LG cs.NA math.NA
D3M: A deep domain decomposition method for partial differential equations
ShanghaiTech University(上海科技大学);University of Southern California(南加州大学)
提出了一种基于变分原理的求解偏微分方程的深度区域分解方法。偏微分方程的解可以表示为一个约束优化问题的解,我们设计了一个多保真度的神经网络框架来解决这个优化问题。我们的贡献是开发一个系统的计算程序的基本问题并行区域分解。我们的分析表明,D3M近似解收敛到潜在的偏微分方程的精确解。我们提出的框架为在大规模工程问题和设计中使用变分深度学习奠定了基础。我们提出了一个通用的数学框架的D3M,验证其准确性和数值实验证明其效率。
2019-09-24 cs.LG cs.NA math.NA
Inertial Manifold Neural Operator for Dissipative Time-Dependent Partial Differential Equations
Princeton University(普林斯顿大学)
该研究提出惯性流形神经算子(IMNO)及其平移等变变体IMNO-SE,利用耗散型时变PDE的低维结构提升长时预测性能,通过基准实验验证了其优势。
2026-08-25 cs.LG cs.NA math.DS
Quantum-inspired variational algorithms for partial differential equations: Application to financial derivative pricing
变分量子蒙特卡罗(VMC)与神经网络量子态相结合,提供了一个新的角度攻击的维数灾难遇到的一类特殊的偏微分方程(PDE),即实部和虚部的时间相关的薛定谔方程。在本文中,我们提出了一个简单的推广VMC适用于任意时间依赖的偏微分方程,展示了技术在多资产的Black-Scholes偏微分方程的定价欧式期权的许多相关的基础资产。
2022-07-22 cs.NA math.NA q-fin.MF
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
Numerically Solving Parametric Families of High-Dimensional Kolmogorov Partial Differential Equations via Deep Learning
University of Vienna(维也纳大学);University of Oxford(牛津大学);Austrian Academy of Sciences(奥地利科学院)
提出了一种求解高维线性Kolmogorov偏微分方程参数族的深度学习算法。我们的方法是基于重新制定的数值逼近的整个家庭的Kolmogorov偏微分方程作为一个单一的统计学习问题,使用费曼-卡茨公式。成功的数值实验,实证证实了我们所提出的算法的功能和效率的情况下,热方程和Black-Scholes期权定价模型参数化的仿射线性系数函数。我们证明了在模拟数据上训练的单个深度神经网络能够在整个时空区域上学习整个偏微分方程族的解函数。最值得注意的是,我们的数值观测和理论结果也表明,所提出的方法不受维数灾难,区别于几乎所有的标准数值方法偏微分方程。
2020-11-09 cs.LG cs.NA math.NA
Sparse recovery in bounded Riesz systems with applications to numerical methods for PDEs
我们研究稀疏恢复与结构化的随机测量矩阵具有独立的,同分布的,一致有界的行和一个非平凡的协方差结构。这类矩阵来自有界Riesz系统的随机采样,并推广了随机部分傅立叶矩阵。我们的主要结果改进了现有的零空间和限制等距性质的随机矩阵的结果。我们的分析的主要新颖之处是一个新的上界的期望与限制等距常数的伯努利过程。我们应用我们的结果证明新的性能保证的CORSING方法,最近推出的数值逼近技术的偏微分方程(PDE)的基础上压缩感知。
2020-05-14 cs.IT cs.NA math.IT
Parameter Inference based on Gaussian Processes Informed by Nonlinear Partial Differential Equations
针对含噪稀疏数据下非线性PDE参数推断耗时的问题,提出基于PDE引导高斯过程(PIGP)的方法,通过增广法处理非线性PDE,绕开数值求解器,可提供不确定性量化,适用于多类场景。
2024-02-01 cs.NA math.NA stat.ME
New constructions of domain decomposition methods for systems of PDEs
本文利用算子Smith分解,提出了二维和三维偏微分方程组区域分解方法的新构造,并通过数值实验验证了其有效性。
2005-02-23 cs.NA math.NA physics.class-ph
An overview on deep learning-based approximation methods for partial differential equations
ETH Zurich(苏黎世联邦理工学院);University of Münster(明斯特大学);University of Duisburg-Essen(杜伊斯堡-埃森大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Research Institute of Big Data(深圳大数据研究院)
高维偏微分方程的近似求解是应用数学中最具挑战性的问题之一。最近,已经提出了几种基于深度学习的近似算法来解决这个问题,并在一些高维PDE的例子上进行了数值测试。这引起了一个活跃的研究领域,其中基于深度学习的方法和相关的蒙特卡罗方法被应用于高维偏微分方程的近似。在这篇文章中,我们通过回顾与PDE的深度学习近似方法相关的选定数学结果并回顾其证明的主要思想来介绍这一研究领域。我们还提供了一个简短的概述,最近的文献在这一领域的研究。
2022-11-18 cs.LG cs.NA math.NA
Semi-Implicit Neural Solver for Time-dependent Partial Differential Equations
Technical University Munich(慕尼黑工业大学);École normale supérieure, Paris(巴黎高等师范学院);deepc GmbH, Munich(慕尼黑deepc有限公司);Helmholtz Zentrum München(慕尼黑亥姆霍兹研究中心);University of Zurich(苏黎世大学)
不定常偏微分方程(PDE)的快速精确求解是物理学、工程学和生物学等许多研究领域的重要课题。一般来说,隐式/半隐格式优于显式格式,以提高稳定性和正确性。然而,现有的半隐式方法通常是迭代的,并采用通用的求解器,这可能是次优的一类特定的偏微分方程。在本文中,我们提出了一个神经求解器,学习最佳的迭代方案,在数据驱动的方式为任何类的偏微分方程。具体来说,我们使用深度神经网络修改半隐式求解器的单次迭代。我们提供的神经求解器的正确性和收敛性的理论保证类似于传统的迭代求解器。除了常用的Dirichlet边界条件外,我们还采用扩散域方法来引入不同类型的边界条件,例如,诺依曼我们表明,建议的神经求解器可以超越线性偏微分方程,并适用于一类非线性偏微分方程,其中的非线性组件是非刚性的。我们证明了我们的方法在2D和3D场景的有效性。为此,我们展示了我们的模型如何推广到不同于训练的参数设置,并实现了比半隐格式更快的收敛。
2021-09-03 cs.LG cs.NA math.NA
Two-Layer Neural Networks for Partial Differential Equations: Optimization and Generalization Theory
Shanghai Jiao Tong University(上海交通大学);Purdue University(普渡大学)
求解偏微分方程(PDE)的问题可以转化为一个最小二乘最小化问题,其中神经网络用于参数化PDE解。一个全局极小对应于一个神经网络,解决了给定的偏微分方程。在本文中,我们证明了梯度下降法可以识别一个全局极小的最小二乘优化求解二阶线性偏微分方程的两层神经网络的假设下,过参数化。我们还分析了二阶线性偏微分方程和两层神经网络的最小二乘优化的推广误差,当偏微分方程的右手侧函数在Barron型空间中,最小二乘优化用Barron型范数正则化,没有过参数化假设。
2020-12-10 cs.LG cs.NA math.NA