A posteriori error estimates based on multilevel decompositions with large problems on the coarsest level
本文针对多层后验误差估计中最粗层问题仍很大的情形,提出用带适当停止准则的共轭梯度法近似最粗层误差项,并证明所得估计高效且对最粗问题规模稳健。
2024-05-10 cs.NA math.NA
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
Novel multilevel preconditioners for the systems arising from plane wave discretization of Helmholtz equations with large wave numbers
LSEC, 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)
本文提出用于大波数平面波离散化Helmholtz方程组的新型多级预条件器,通过多级重叠空间分解构建加法多级预条件器,并设计了带平滑器的加法和乘法多级预条件器,实现稳定收敛。
2016-07-16 cs.NA math.NA
A full approximation scheme multilevel method for nonlinear variational inequalities
本文提出 FASCD 多层方法,将 FAS 多重网格技术与约束分解方法结合,利用多层网格的 telescoping 分解,在缩减空间 Newton 光滑器下实现几乎网格无关的收敛速率和最优完全多重网格求解。
2023-08-14 cs.NA math.NA
A scalable multilevel domain decomposition preconditioner with a subspace-based coarsening algorithm for the neutron transport calculations
多群中子输运方程已被广泛用于研究核反应堆中中子与本底物质的相互作用。使用现代超级计算机对多群中子输运方程进行高分辨率模拟需要发展可扩展的并行求解技术。本文研究了一种求解多群中子输运方程离散化所产生的代数系统的可缩放输运方法。建议的运输方法包括一个完全耦合的牛顿求解器的广义本征值问题和GMRES连同一个新的多级区域分解预处理的雅可比系统。多级预处理器已成功地用于许多问题,但某些问题,特别是非结构化网格问题的粗糙空间的构建是昂贵的,往往是不可扩展的。我们引入了一个新的基于子空间的粗化算法来解决这个问题,探索在中子输运问题的离散化版本的矩阵的结构。我们数值证明,所提出的传输方法是高度可扩展的,具有超过10,000个处理器内核的3D C5G7基准问题的非结构化网格与数十亿个未知数。与传统的多级区域分解方法相比,该方法采用了基于子空间的粗化算法,在粗空间的构造上速度更快。
2019-06-18 cs.DC cs.NA math.NA
Recursive Multilevel Decomposition of Pairwise Comparison Matrices: Algorithms and Inconsistency Diagnostics
Yüksek İhtisas University(Yüksek İhtisas大学);Laurentian University(劳伦森大学);Ankara University(安卡拉大学)
本文提出成对比较矩阵的递归多级正交分解方法,给出O(n^3)和O(n^2)两种算法,并利用残差能量剖面补充不一致性诊断信息。
2026-10-05 cs.NA math.NA
ELM-FBPINNs: An Efficient Multilevel Random Feature Method
University of Strathclyde(思克莱德大学);Eindhoven University of Technology(埃因霍温理工大学);Imperial College London(伦敦帝国学院)
本文提出了一种结合多级域分解和分区-整体构造的随机特征模型,称为多级ELM-FBPINN,通过将可训练子域网络替换为极端学习机,消除了反向传播,将训练转化为结构化的线性最小二乘问题,从而在多个基准问题中实现了高效的收敛和鲁棒性。
2026-05-18 cs.NA math.NA
Adaptive-Multilevel BDDC and its parallel implementation
University of Southern California(南加州大学);Institute of Thermomechanics, Academy of Sciences of the Czech Republic(捷克科学院热力学研究所);Institute of Mathematics, Academy of Sciences of the Czech Republic(捷克科学院数学研究所);University of Colorado Denver(科罗拉多大学丹佛分校)
提出自适应多级BDDC方法,通过在每个分解级别自适应选择约束,并利用LOBPCG方法求解局部特征值问题,有效检测问题区域并改善收敛性,并行实现具有良好的可扩展性。
2013-01-02 cs.NA math.NA
A Multilevel, Hierarchical Sampling Technique for Spatially Correlated Random Fields
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);University of Texas, Austin(德克萨斯大学奥斯汀分校)
本文提出了一种生成空间相关随机场样本的替代方法,用于大规模问题的不确定性传播。该方法通过多级分解随机场,结合混合有限元形式的随机反应扩散方程,实现可扩展的分层采样。
2017-03-24 cs.NA math.NA
MG-GNN: Multigrid Graph Neural Networks for Learning Multilevel Domain Decomposition Methods
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Memorial University of Newfoundland(纽芬兰纪念大学)
区域分解法是求解偏微分方程离散系统的常用方法,它可以求解单级和多级变量。这些求解器依赖于几个算法和数学参数,规定重叠,子域边界条件和其他属性的DDM。虽然已经做了一些工作,优化这些参数,它主要集中在一级设置或特殊情况下,如结构网格离散与定期子域建设。在本文中,我们提出了多重网格图神经网络(MG-GNN),一种新的GNN结构的学习优化参数的两级DDM。我们使用一个新的无监督损失函数来训练MG-GNN,从而能够在小问题上进行有效的训练,从而在比训练集中的网格大几个数量级的非结构化网格上产生鲁棒的性能。我们表明,MG-GNN优于流行的分层图网络架构的这种优化,我们提出的损失函数是实现这种改进的性能的关键。
2023-03-02 cs.AI cs.LG cs.NA
Hierarchical Gaussian Random Fields for Multilevel Markov Chain Monte Carlo: Coupling Stochastic Partial Differential Equation and The Karhunen-Loève Decomposition
针对高维多层贝叶斯推断中GRF采样的精度、降维与遍历性难题,本文耦合KL展开与SPDE采样,提出协方差保持的分层多重网格框架,并在地下流动基准上验证其效率、精度和收敛优势。
2025-03-18 cs.NA math.NA math.PR
On Multilevel Energy-Based Fragmentation Methods
University of Bonn(波恩大学);Fraunhofer Institute for Algorithms and Scientific Computing SCAI(弗劳恩霍夫算法与科学计算研究所)
本文基于偏序集莫比乌斯反演提出多级能量分解一般框架,统一MBE、ML-BOSSANOVA等已有形式,并给出ML-SUPANOVA分解及自适应准最优截断算法。
2025-09-24 cs.NA math.NA
A Multilevel Interacting Particle System Method for the estimation of Failure Probabilities
Institut für Numerische Mathematik, Universität Ulm(乌尔姆大学数值数学研究所);Facultad de Ingeniería y Ciencias, Universidad Adolfo Ibáñez(阿道夫·伊巴涅斯大学工程与理学院)
该研究提出结合多级分解与交互粒子系统框架的新算法,可高效估计失效概率,收敛速率快于经典多级蒙特卡洛算法且与当前最优技术相当,还通过数值实验验证了结果的正确性。
2026-08-28 cs.NA math.NA
Recursive Bound-Constrained AdaGrad with Applications to Multilevel and Domain Decomposition Minimization
Toulouse-INP, IRIT, ANITI(图卢兹INP、IRIT、ANITI);Namur Center for Complex Systems (naXys), University of Namur(纳慕尔复杂系统中心(naXys)、纳慕尔大学)
本文提出两种处理边界约束与非精确梯度的OFFO算法(多层与区域分解方法),推广了AdaGrad,并给出统一的收敛与复杂性理论,证明其高概率下仅需$O(ε^{-2})$次迭代即可求得$ε$-近似一阶临界点。
2025-07-15 cs.AI cs.NA math.NA
The modified Physics-Informed Hybrid Parallel Kolmogorov--Arnold and Multilayer Perceptron Architecture with domain decomposition
School of Mathematics, Statistics and Mechanics, Beijing University of Technology(北京工业大学数学、统计与力学学院)
提出改进的混合并行KAN-MLP物理信息神经网络,通过可训练权重优化凸组合以捕获多频成分,并采用重叠区域分解降低全局优化难度,在求解高频多尺度问题时降低训练成本并提高计算效率。
2026-06-12 cs.NA math.NA
Domain decomposition methods with Physics-informed neural networks for elliptic equations on manifolds
Nanjing Normal University(南京师范大学);Nanjing University(南京大学)
提出用于紧致黎曼流形上椭圆方程的数值区域分解方法,结合流形的DDM技术与神经网络在高维优势,通过数值实验验证
2026-07-07 cs.NA math.DG math.NA
A-posteriori-steered $p$-robust multigrid and domain decomposition methods with optimal step-sizes for mixed finite element discretizations of elliptic problems
TU Wien(维也纳工业大学);Institute of Mathematics, Czech Academy of Sciences(捷克科学院数学研究所);Inria(法国国家数字科学与多领域研究所);Ecole nationale des ponts et chaussées(国立路桥学校);University of Pittsburgh(匹兹堡大学)
本文提出后验引导的 $p$-鲁棒多网格和域分解方法,用于混合有限元离散化椭圆问题,证明了求解器的 $p$-鲁棒收缩和估计器的 $p$-鲁棒有效性。
2026-02-02 cs.NA math.NA
$p$-multilevel Monte Carlo for acoustic scattering from large deviation rough random surfaces
研究大偏差粗糙随机散射体的时谐声波散射,提出 $p$-multilevel Monte Carlo 方法以高效量化不确定性,并通过重心插值实现高阶多项式逼近的稳定实现及成本精度分析。
2023-11-21 cs.NA math.NA
Parallel implementation of Multilevel BDDC
Institute of Mathematics, Academy of Sciences of the Czech Republic(捷克科学院数学研究所);Department of Mathematical and Statistical Sciences, University of Colorado Denver(科罗拉多大学丹佛分校数学与统计科学系);Department of Aerospace and Mechanical Engineering, University of Southern California(南加州大学航空航天与机械工程系);Department of Mathematics, Faculty of Mechanical Engineering, Czech Technical University(捷克理工大学机械工程学院数学系)
针对BDDC方法中粗问题求解成为瓶颈的问题,提出用BDDC方法递归替代精确求解,实现多层BDDC算法,并给出并行实现,应用于线弹性问题和Stokes流问题,与标准两层BDDC比较。
2012-01-28 cs.NA math.NA
Multifidelity domain decomposition-based physics-informed neural networks and operators for time-dependent problems
Delft University of Technology(代尔夫特理工大学);Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Washington(华盛顿大学)
本文针对时间相关问题中PINNs受谱偏差影响的问题,提出将多保真堆叠PINNs与时间域分解有限基PINNs相结合,并通过单摆、双频率及Allen-Cahn方程验证其有效性,同时将FBPINN扩展到多保真深度算子网络。
2024-06-06 cs.LG cs.NA math.NA
A comparative study of scalable multilevel preconditioners for cardiac mechanics
在这项工作中,我们提供了平衡区域分解的约束(BDDC)和代数多重网格(AMG)的心脏力学结构化和非结构化的有限元网格预条件之间的性能比较。心肌的力学行为可以用三维有限弹性力学方程来描述,在空间上用有限元离散,得到一个大规模非线性代数系统的解。该问题通过Newton-Krylov方法求解,其中Jacobian线性系的解通过BDDC/AMG预处理器加速。我们深入探讨的BDDC预条件的主要参数,以使比较公平。我们专注于:BDDC算法的局部和粗糙问题的不同直接求解器的性能; BDDC原始自由度的不同选择的影响;以及有限元度的影响。可扩展性测试上的Linux集群多达1024个处理器,我们得出结论,一个现实的机电仿真的性能研究。
2022-08-12 cs.NA math.NA
hp-VPINNs: Variational Physics-Informed Neural Networks With Domain Decomposition
Brown University(布朗大学);Worcester Polytechnic Institute(伍斯特理工学院);Pacific Northwest National Laboratory(太平洋西北国家实验室)
我们制定了一个一般的框架,hp变分物理信息神经网络(hp-VPINNs)的基础上的非线性近似的浅层和深层神经网络和hp细化通过区域分解和投影到空间的高阶多项式。试验空间是神经网络的空间,它是在整个计算域上全局定义的,而测试空间包含分段多项式。具体来说,在这项研究中,惠普细化对应于一个全局近似与本地学习算法,可以有效地本地化网络参数优化。我们展示了hp-VPINNs的精度和训练成本的几个数值例子的函数逼近和求解微分方程的优势。
2020-03-11 cs.LG cs.NA cs.NE
FB-HyDON: Parameter-Efficient Physics-Informed Operator Learning of Complex PDEs via Hypernetwork and Finite Basis Domain Decomposition
Quantiphi(昆体菲科技)
针对现有神经算子需大量数据、物理信息算子训练复杂且难收敛的问题,提出结合超网络与有限基域分解的FB-HyDON架构,在多个PDE任务上实现性能提升。
2024-09-13 cs.LG cs.NA math.NA
Multilevel Training for Kolmogorov Arnold Networks
Theoretical Division, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室理论 division);Center for Computing Research, Sandia National Laboratories(桑迪亚国家实验室计算研究中心)
本文提出多级训练方法,利用KANs的结构特性提升训练效率,尤其在物理信息神经网络中表现显著。
2026-03-05 cs.AI cs.LG cs.NA
Finite basis physics-informed neural networks as a Schwarz domain decomposition method
本研究提出将有限基物理信息神经网络(FBPINNs)与 Schwarz 域分解思想结合,开发了加性、乘性和混合迭代训练方法,并引入粗空间校正,有效提升了求解大区域和多尺度 PDE 问题的准确性与收敛性。
2023-05-22 cs.NA math.NA physics.comp-ph
Physics-informed Spectral Learning: the Discrete Helmholtz--Hodge Decomposition
University of Nottingham(诺丁汉大学);Commonwealth Scientific and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织);RWTH Aachen University(亚琛工业大学);King Abdullah University of Science & Technology (KAUST)(阿卜杜拉国王科技大学)
在这项工作中,我们进一步发展了Espath等人的物理信息谱学习(PiSL)。\cite{Esp21}基于离散$L^2$投影来解决稀疏数据的离散Hodge-Helmholtz分解。在这个物理信息统计学习框架内,我们通过解决一系列最小化问题,自适应地构建一组具有相应系数的稀疏傅立叶基函数,其中基函数集在每个优化问题上都得到了极大的增强。此外,我们的PiSL计算框架享有频谱(指数)收敛。我们正则化的最小化问题的分数Sobolev空间中的Tikhonov时尚。在傅立叶设置中,发散和卷曲自由约束成为线性代数方程的有限集合。建议的计算框架结合了监督和无监督学习技术,我们使用的数据伴随着到发散和卷曲自由空间的投影。我们评估的能力,我们的方法在各种数值例子,包括从1993年的卫星数据的“世纪风暴”。
2023-02-21 cs.LG cs.NA math.NA
Domain decomposition architectures and Gauss-Newton training for physics-informed neural networks
Alexander Heinlein Delft Institute of Applied Mathematics, Delft University of Technology, Mekelweg 4, Delft, 2628 CD, the Netherlands, Taniya Kapoor Artificial Intelligence Group, Wageningen University \& Research, Wageningen, The Netherlands
本文针对偏微分方程边值问题神经网络训练的困难,提出结合domain decomposition局部化与Gauss-Newton优化器,利用块稀疏结构降低迭代成本,实现比Adam等梯度方案更快的收敛。
2025-10-30 cs.LG cs.NA math.NA
Enhancing training of physics-informed neural networks using domain-decomposition based preconditioning strategies
Division of Applied Mathematics, Brown University(布朗大学应用数学系);Euler Institute, Università della Svizzera italiana(瑞士意大利语区大学欧拉研究所);UniDistance, Switzerland(瑞士远程大学)
本研究针对物理信息神经网络训练优化问题,提出基于Schwarz区域分解框架、按层分解网络参数的非线性加性与乘性预处理策略,可提升L-BFGS优化器收敛性与偏微分方程求解精度,加性预处理器还支持新型模型并行。
2023-12-28 cs.LG cs.NA math.NA
A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity
School of Mathematics and Statistics, University of New South Wales(数学与统计学学院,新南威尔士大学);Department of Mathematics, Inha University(数学系,inha大学)
针对近不可压缩弹性问题中PINNs的锁定失稳,提出基于分解的鲁棒训练框架,通过重构平衡子系统消除病态性,并同时求解正逆问题,数值实验验证了其有效性。
2025-10-23 cs.LG cs.NA math.NA
A New Multilevel Method for Electrostatic Problems through Hierarchical Loop Basis
The University of Hong Kong(香港大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种基于分层回路基函数的多级方法,用于求解静电问题中的泊松方程,通过分层网格加速计算,提升求解效率。
2013-05-14 cs.NA math-ph math.MP
SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition
The University of Hong Kong(香港大学);Hong Kong Baptist University(香港浸会大学);NVIDIA(英伟达)
本文提出 SVD-PINNs,通过保持奇异向量并优化奇异值实现物理信息神经网络的迁移学习,以高效求解一类具有相近右端项的高维偏微分方程。
2024-03-14 cs.LG cs.NA math.NA
Applications of Domain Decomposition and Partition of Unity Methods in Physics and Geometry
University of California, San Diego(加州大学圣地亚哥分校)
提出一类结合自适应多重网格有限元、区域分解和单位分解方法的并行算法(PPUM),具有低通信需求、简单近似理论框架和易于集成复杂顺序自适应有限元软件的特点,并通过引力波模型中的爱因斯坦约束方程数值示例验证。
2010-01-08 cs.NA math.NA
Symmetry group based domain decomposition to enhance physics-informed neural networks for solving partial differential equations
College of Science, Minzu University of China(中央民族大学理学院);College of Science, North China University of Technology(北方工业大学理学院)
本文提出基于对称群的区域分解策略,通过生成已知解信息的分界线划分不重叠子区域,分别利用对称增强的PINN求解PDE正逆问题,大幅提升了普通PINN在全域及扩展PINN在子区域内求解失败时的精度。
2024-04-29 cs.LG cs.NA math.NA
An Array Decomposition Method for Finite Arrays with Electrically Connected Elements for fast Toeplitz Solvers
KTH Royal Institute of Technology(瑞典皇家理工学院);Saab Surveillance(萨博监视)
本文提出了一种适用于电连接元件的阵列分解方法,通过多级块Toeplitz矩阵优化,实现更快更高效的MoM求解。
2025-06-05 cs.NA eess.SP math.NA
Schwarz Waveform Relaxation Physics-Informed Neural Networks for Solving Advection-Diffusion-Reaction Equations
基于Schwarz波形松弛(SWR)方法,提出了一种物理信息神经网络(PINN),用于求解局部和非局部对流扩散反应方程。具体而言,我们推导出的配方通过构建子域依赖的局部解决方案,通过最小化局部损失函数,允许在不同的域中的训练过程的分解在一个并行的过程。在PINN收敛的前提下,整个算法是收敛的。通过构造局部解,人们可以根据每个子域中解的谱空间和时间复杂度来调整深度神经网络的深度。我们提出了一些基于经典和Robin-SWR的数值实验来说明所提出的方法的性能和评论的收敛性。
2021-11-03 cs.NA math.NA
Adaptive greedy algorithms based on parameter-domain decomposition and reconstruction for the reduced basis method
缩减基方法(RBM)通过离线-在线分解(又称“离线-在线分解”)来实现参数化偏微分方程的重复和快速求解。学习-执行过程。该方法的一个关键特征是一个贪婪算法反复扫描的训练集,一个精细的离散化的参数域,以确定下一个维度的参数诱导的解决方案的流形上,我们扩大代理解决方案的空间。虽然成功地应用于具有相当高的参数维度的问题,但挑战在于这种扫描成本主导离线成本,因为它与训练集的基数成比例,该基数相对于参数维度是指数的。在这项工作中,我们回顾了最近的三次尝试,有效地延迟这种灾难的维度,并提出了两个新的混合策略,通过连续细化和多级最大化的误差估计的训练集。所有五个离线增强的方法和原来的贪婪算法进行了测试和比较{两种类型的问题:热块问题和几何参数化亥姆霍兹问题。
2020-09-14 cs.NA math.NA
Local Fourier analysis of Balancing Domain Decomposition by Constraints algorithms
局部傅里叶分析是分析多重网格和其他多级算法的常用工具,它既能洞察观察到的收敛速度,又能对许多算法的性能进行预测分析。在本文中,第一次,我们适应本地傅里叶分析检查变量的两级和三级平衡区域分解的约束(BDDC)算法,以更好地了解这些预处理算子的特征值分布和条件数界。这种适应是基于对傅里叶谐波空间的基的修改选择,其极大地简化了局部傅里叶分析在这种设置中的应用。通过考虑二维拉普拉斯算子和预测不同子域大小的预处理算子的条件数,验证了局部傅里叶分析的有效性。几个变量进行了分析,显示两个和三个级别的性能的“集总”的变体可以大大提高乘法组合时使用的加权对角缩放预条件,通过使用LFA的权重优化。
2021-08-04 cs.NA math.NA
Convergence of physics-informed neural networks applied to linear second-order elliptic interface problems
随着神经网络在不同科学学科中取得的显著经验成功,严格的误差和收敛分析也在发展和丰富。然而,很少有理论工作集中在解决接口问题的神经网络。在本文中,我们进行了收敛性分析的物理信息神经网络(PINNs)解决二阶椭圆界面问题。具体来说,我们认为PINNs与区域分解技术和引入梯度增强的接口上的策略,以处理边界和界面的跳跃条件。结果表明,随着样本样本个数的增加,通过最小化Lipschitz正则化损失函数得到的神经网络序列收敛到$H^2$中界面问题的唯一解.数值实验证明了我们的理论分析。
2023-03-26 cs.NA math.NA
Multilevel Preconditioning of Discontinuous-Galerkin Spectral Element Methods, Part I: Geometrically Conforming Meshes
RWTH Aachen(亚琛工业大学);CNRS, UMR 7598, Laboratoire Jacques-Louis Lions(法国国家科学研究中心,联合研究单位7598,雅克-路易·利翁斯实验室);UPMC Univ Paris 06, UMR 7598, Laboratoire Jacques-Louis Lions(巴黎第六大学,联合研究单位7598,雅克-路易·利翁斯实验室);Politecnico di Torino(都灵理工大学)
针对椭圆边值问题的谱间断Galerkin离散,提出基于辅助空间方法的鲁棒预处理技术,通过Legendre-Gauss-Lobatto网格和各向异性嵌套二进网格实现条件数关于网格尺寸和可变多项式阶数的均匀有界。
2014-05-13 cs.NA math.NA
Error estimates of physics-informed neural networks for approximating Boltzmann equation
University of California Santa Barbara(加州大学圣塔芭芭拉分校);Sun Yat-sen University(中山大学)
本文针对PINNs近似全局麦克斯韦分布附近玻尔兹曼方程解的问题开展严格误差分析,解决无界速度域非局部二次项的分析难点,并证明基于微-宏分解神经网络的渐近保持性质。
2025-11-19 cs.NA math.NA
Multigrid Methods for Constrained Minimization Problems and Application to Saddle Point Problems
University of California at Irvine(加州大学尔湾分校)
本文提出基于多重网格方法的鞍点问题求解方法,通过多重级分解约束空间实现子空间优化,无需全正则性假设,适用于混合有限元方法中的泊松和斯托克斯方程。
2016-01-15 cs.NA math.NA
Augmented Physics-Informed Neural Networks (APINNs): A gating network-based soft domain decomposition methodology
National University of Singapore(新加坡国立大学);Brown University(布朗大学)
本文提出APINN,利用可训练门控网络实现软区域分解、全样本训练与参数共享,并通过PDE实验证明其可显著或小幅改进PINN与XPINN。
2023-09-30 cs.LG cs.NA math.DS
Physics-informed dynamic mode decomposition (piDMD)
在这项工作中,我们演示了如何物理原理-如对称性,不变性和守恒定律-可以集成到动态模式分解(DMD)。DMD是一种广泛使用的数据分析技术,从高维测量中提取低秩模态结构和动力学。然而,DMD经常产生对噪声敏感的模型,无法在训练数据之外进行推广,并且违反基本物理定律。我们的物理信息DMD(piDMD)优化,这可能是制定为一个Procrustes问题,限制家庭的容许模型的矩阵流形,尊重系统的物理结构。我们专注于五个基本的物理原理-守恒,自伴性,本地化,因果关系和平移不变性-并获得相应的piDMD优化的几个封闭形式的解决方案和有效的算法。由于自由度更少,piDMD模型不太容易过拟合,需要更少的训练数据,并且通常比标准DMD模型构建的计算成本更低。我们证明了piDMD在物理科学中的一系列具有挑战性的问题,包括能量守恒流体流动,行波系统,薛定谔方程,溶质对流扩散,因果动力学系统,和三维过渡通道流。在每种情况下,piDMD在光谱识别、状态预测以及最佳作用力和响应的估计等指标上都明显优于标准DMD。
2021-12-08 cs.NA math.DS math.NA
Towards Model Discovery Using Domain Decomposition and PINNs
Institute for Partial Differential Equations, TU Braunschweig(布伦瑞克工业大学偏微分方程研究所);Delft Institute of Applied Mathematics, Delft University of Technology(代尔夫特理工大学应用数学研究所)
本文结合区域分解方法比较 PINNs 与 FBPINNs 在 ODE 系统参数学习中的表现,发现 FBPINNs 在含噪、不同动力学区域及准稳态数据下均更优。
2024-10-02 cs.LG cs.NA math.NA
Randomized Fast Subspace Descent Methods
针对光滑无约束凸优化问题,提出并分析了随机快速子空间下降(RFASD)方法。该方法的效率依赖于一个在$A$ -范数下稳定的空间分解,同时,在$A$ -范数下测量的条件数$κ_A$很小.在每次迭代中,子空间被随机地均匀地或通过与局部Lipschitz常数成比例的概率来选择。然后在每个选择的子空间中,应用预条件梯度下降法。RFASD对凸函数是次线性收敛的,对强凸函数是线性收敛的.与随机块坐标下降法相比,当$κ_A$较小且子空间分解是$A$稳定的时,RFASD的收敛速度更快.考虑Nesterov的“最坏”问题的多级空间分解支持这种改进。
2020-06-11 cs.NA math.NA math.OC
Enhancing Arterial Blood Flow Simulations through Physics-Informed Neural Networks
本研究提出加权扩展和加权保守物理信息神经网络(WXPINNs和WCPINNs),基于时空区域分解技术高效模拟动脉血流,解决了回流不稳定性问题,并在并行计算框架下优于传统PINNs。
2024-04-26 cs.NA math.NA physics.flu-dyn
Local Reduced-Order Modeling for Electrostatic Plasmas by Physics-Informed Solution Manifold Decomposition
本文针对无碰撞静电等离子体动理学模拟计算成本高的问题,提出基于 POD 和张量方法的时间局部降阶模型,并通过时间窗口与能量窗口分解提升多尺度建模效率,在 Vlasov-Poisson 模拟中实现约 90 倍加速且保持较低误差。
2025-02-04 cs.NA math.NA physics.plasm-ph
Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所);Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学)
降阶建模在计算流体动力学中有着悠久的传统。数据对低阶模型合成的重要性日益增加,这在最近数据驱动方法的成功中得到了很好的反映,例如动态模式分解和算子推理。通过这项工作,我们提出了一种新的方法来学习结构化的低阶模型,从数据,可用于工程研究,如控制,优化和仿真的不可压缩流。为此,我们利用不可压缩流的Navier-斯托克斯方程的内在结构,并表明学习动力学的速度和压力可以解耦,从而导致一个有效的算子推理方法学习不可压缩流的基本动力学。此外,我们使用两个基准问题学习低阶模型的操作推理性能,并与侵入式方法,即适当的正交分解,和其他数据驱动的方法进行比较。
2020-12-07 cs.LG cs.NA math.DS
Hierarchical rank-evolving representation for physics-informed neural networks
University of Electronic Science and Technology of China(电子科技大学);Southwestern University of Finance and Economics(西南财经大学)
针对现有T-PINNs需手动调整秩的缺陷,提出分层秩演化(HRE)表示并构建HRE-PINNs,经多类方程数值实验验证,其精度优于现有最先进方法。
2026-08-11 cs.LG cs.NA math.NA
When Do Extended Physics-Informed Neural Networks (XPINNs) Improve Generalization?
National University of Singapore(新加坡国立大学);Brown University(布朗大学)
物理信息神经网络(PINNs)由于其良好的逼近能力和泛化能力,已成为求解高维偏微分方程(PDE)的热门选择。近年来,基于区域分解方法的扩展PINNs(XPINNs)由于其在多尺度和多物理场问题建模及其并行化方面的有效性而引起了人们的广泛关注。然而,其收敛性和推广性质的理论认识仍然没有探索。在这项研究中,我们迈出了理解XPINN如何以及何时优于PINN的第一步。具体来说,对于一般的多层PINN和XPINN,我们首先通过PDE问题中目标函数的复杂性提供先验泛化界,并通过优化后网络的后验矩阵范数提供后验泛化界。此外,基于我们的边界,我们分析了XPINNs提高泛化能力的条件。具体地说,我们的理论表明,XPINN的关键组成部分,即区域分解,引入了一个权衡泛化。一方面,XPINN将复杂的PDE解决方案分解为几个简单的部分,这降低了学习每个部分所需的复杂性并提高了泛化能力。另一方面,分解导致在每个子域中可用的训练数据更少,并且因此这种模型通常倾向于过拟合并且可能变得不太可推广。从经验上讲,我们选择了五个偏微分方程来显示XPINN何时表现得比PINN更好,类似于PINN,或者比PINN更差,从而证明和证明我们的新理论。
2022-10-18 cs.LG cs.NA math.DS
Physics Informed Symbolic Networks
TCS Research(塔塔咨询服务公司研究院)
我们引入物理信息符号网络(PISN),它利用物理信息的损失来获得偏微分方程(PDE)系统的符号解。给出了一种描述符号表达式语言的上下文无关文法,提出了用加权和作为连续逼近来选择产生式规则。我们使用这种近似来定义多层符号网络。我们考虑Kovasznay流(Navier-Stokes)和二维粘性Burger方程,以说明PISN能够在各种最先进的进步中提供与PINN相当的性能:多输出和控制方程,域分解,超网络。此外,我们提出了物理知情的神经符号网络(PINSN),它采用多层感知器(MLP)运营商建模符号网络的残留物。观察到PINSN比标准PINN提供2-3个数量级的性能增益。
2022-12-20 cs.AI cs.LG cs.NA
Domain decomposition-based coupling of physics-informed neural networks via the Schwarz alternating method
Virginia Polytechnic Institute(弗吉尼亚理工大学);Sandia National Laboratories(桑迪亚国家实验室)
本文研究利用 Schwarz 交替法进行域分解以耦合 PINN 之间及 PINN 与传统数值模型,探索不同 Dirichlet 边界条件施加方式对收敛的影响,发现 PINN-FOM 耦合可在 Peclet 数高达 1e6 时显著改善 PINN 训练。
2023-11-01 cs.AI cs.NA math-ph