Solving forward and inverse PDE problems on unknown manifolds via physics-informed neural operators
本文研究在未知流形上利用物理信息深度算子网络求解偏微分方程正反问题,通过扩散映射、径向基函数和广义移动最小二乘近似微分项,并在贝叶斯MCMC框架中实现扩散系数估计,数值结果表明其精度高且计算成本更低。
2024-07-07 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
What do physics-informed DeepONets learn? Understanding and improving training for scientific computing applications
Pacific Northwest National Laboratory(太平洋西北国家实验室);Massachusetts Institute of Technology(麻省理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本研究通过评估基函数普适性与谱方法模型降阶潜力,明确物理信息DeepONets的学习内容,提出迁移学习方法改进其在同PDE参数间及不同相关PDE间的训练,实现误差显著降低与基函数有效性提升。
2024-11-27 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
Learning the solution operator of parametric partial differential equations with physics-informed DeepOnets
University of Pennsylvania(宾夕法尼亚大学)
深度算子网络(DeepONets)由于其在无限维Banach空间之间近似非线性算子的能力而受到越来越多的关注。然而,尽管它们在早期有着显著的前景,但它们通常需要由成对的输入-输出观测组成的大型训练数据集,这可能是昂贵的,而它们的预测可能与生成观测数据的基本物理原理不一致。在这项工作中,我们提出了一种新的模型类,称为物理信息DeepONets,它引入了一种有效的正则化机制,用于将DeepOnet模型的输出偏向于确保物理一致性。这是通过利用自动微分在模型训练期间经由软惩罚约束来施加基础物理定律来实现的。我们证明,这种简单但非常有效的扩展不仅可以显著提高DeepOnets的预测准确性,而且还可以大大减少对大型训练数据集的需求。为此,一个值得注意的观察是,物理学知识的DeepONets能够在没有任何成对输入输出观测的情况下求解参数偏微分方程(PDE),除了一组给定的初始或边界条件。我们说明了建议的框架的有效性,通过一系列全面的数值研究,在各种类型的偏微分方程。引人注目的是,一个经过训练的物理学知识的DeepOnet模型可以在几分之一秒内预测$\mathcal{O}(10^3)$时间相关PDE的解-与传统PDE求解器相比快了三个数量级。本手稿随附的数据和代码可在\url{https://github.com/PredictiveIntelligenceLab/Physics-informed…
2021-03-19 cs.LG cs.NA math.NA
Generic bounds on the approximation error for physics-informed (and) operator learning
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心)
我们提出了一个非常通用的框架,用于推导物理信息神经网络(PINN)和算子学习架构(如DeepONets和FNOs)以及物理信息算子学习的近似误差的严格界限。这些界限保证了PINN和(物理信息)DeepONets或FNO将有效地近似通用偏微分方程(PDE)的基本解或解算子。我们的框架利用现有的神经网络近似结果,以获得更多涉及的学习结构的偏微分方程的界限。我们通过推导物理信息算子学习的近似误差的第一个严格界限,并通过显示PINN(以及物理信息DeepONets和FNO)减轻了近似非线性抛物型PDE的维数灾难,来说明一般框架。
2022-10-10 cs.LG cs.NA math.NA
Hybrid Iterative Solvers with Geometry-Aware Neural Preconditioners for Parametric PDEs
Division of Applied Mathematics(应用数学系);Brown University(布朗大学);Ansys UK Ltd(Ansys英国有限公司)
本文提出Geo-DeepONet,结合几何信息的神经预置条件器,提升混合迭代求解器在参数PDEs中的鲁棒性和效率。
2025-12-16 cs.LG cs.NA math.NA
Resolution invariant deep operator network for PDEs with complex geometries
ShanghaiTech University(上海科技大学);Chongqing University(重庆大学)
针对神经算子输入输出空间域需一致、无法处理复杂几何PDE等局限,提出分辨率不变深度算子框架RDO,解耦输入输出空间域且无需重训练,保留分辨率不变性,实验证明其性能优于DeepONet和FNO。
2024-02-01 cs.LG cs.NA math.NA
Error estimates for DeepOnets: A deep learning framework in infinite dimensions
DeepONets最近被提出作为学习无限维巴拿赫空间之间映射的非线性算子的框架。我们分析了DeepONets,并证明了对所产生的近似和泛化误差的估计。特别地,我们扩展了DeepONets的普适逼近性质,以包括非紧空间中的可测映射。通过分解成编码,近似和重建误差的错误,我们证明了下和上界的总误差,它的协方差算子的谱衰减特性,与相关的措施。我们得到几乎最佳的误差界与非常一般的仿射重建和随机传感器的位置以及泛化误差的范围,使用覆盖数参数。我们说明了我们的一般框架与非线性算子的四个原型的例子,即那些出现在非线性强迫常微分方程,椭圆型偏微分方程与变系数和非线性抛物和双曲偏微分方程。虽然DeepONets对任意Lipschitz算子的近似精度$ε$被认为受到“维数灾难”的影响,(需要$1/ε$中指数大小的神经网络),相反,对于所有上述感兴趣的具体示例,我们严格证明DeepONets可以打破这种维数灾难(使用可以在$1/ε$中代数增长的大小的神经网络实现精确$ε$)。因此,我们证明了一个潜在的大类运营商与这个机器学习框架的有效近似。
2022-01-13 cs.NA math.NA
ELM-DeepONets: Backpropagation-Free Training of Deep Operator Networks via Extreme Learning Machines
Konkuk University(建国大学)
针对深度算子网络(DeepONets)训练计算资源消耗大的问题,提出基于极限学习机(ELM)的ELM-DeepONets框架,将训练转化为最小二乘问题实现无反向传播训练,在基准问题上精度更优且计算成本大幅降低,为科学计算的算子学习提供高效可扩展的新方案。
2025-01-16 cs.AI cs.LG cs.NA
Moving Mesh Discontinuous Galerkin Methods for PDEs with Traveling Waves
本文提出了一种用于具有行进波解的非线性偏微分方程的移动网格不连续Galerkin方法,该方法通过重新分区策略将PDE的求解与移动网格方程解耦,并展示了该方法在最优、弧长和曲率监控函数下能够准确捕捉尖锐波前和波速,数值结果验证了该方法在求解Burgers'、Burgers'-Fisher和Schlögl(Nagumo)方程中的有效性。
2016-01-31 cs.NA math.NA
NSPOD: Accelerating Krylov solvers via DeepONet-learned POD subspaces
Synopsys UK Ltd(Synopsys英国有限公司);Division of Applied Mathematics, Brown University(布朗大学应用数学系)
本文提出NSPOD,一种基于DeepONet的预条件器,通过减少迭代次数提升Krylov求解器效率,尤其在复杂CAD几何的线性化固体力学PDE中表现优异。
2026-05-11 cs.LG cs.NA math.NA
An ultraweak-local discontinuous Galerkin method for PDEs with high order spatial derivatives
本文发展了一种新的间断Galerkin方法,用于求解几类具有高阶空间导数的偏微分方程。我们结合局部间断Galerkin方法和超弱间断Galerkin方法的优点。首先将高阶偏微分方程改写为一个低阶系统,然后将UWDG方法应用于该系统。我们首先考虑一维空间中的四阶和五阶非线性偏微分方程,然后将我们的方法推广到一般的高阶问题和二维空间。与LDG方法相比,我们的方法的主要优点是我们引入了更少的辅助变量,从而减少了内存和计算成本。我们的方法的UWDG方法的主要优点是,没有内部的惩罚项是必要的,以确保稳定的偶数和奇数阶偏微分方程。我们证明了我们的方法在一般的非线性情况下的稳定性,并提供最佳的误差估计线性偏微分方程的解决方案本身以及辅助变量逼近其衍生物。证明误差估计的一个关键因素是构造数值解的导数和单元界面跳跃与解导数的辅助变量解之间的关系。有了这个关系,我们就可以利用离散的Sobolev和Poincaré不等式得到最优的误差估计。数值实验证实了理论研究结果。
2020-03-12 cs.NA math.NA
A Superconvergent Hybridizable Discontinuous Galerkin Method for Dirichlet Boundary Control of Elliptic PDEs
Oklahoma State University(俄克拉荷马州立大学);University of Minnesota(明尼苏达大学);Missouri University of Science and Technology(密苏里科技大学);Sichuan University(四川大学)
本文提出了一种用于椭圆PDE Dirichlet边界控制问题的混合不连续Galerkin方法,获得了最优先验误差估计,并在二维和三维数值实验中验证了理论结果。
2017-12-08 cs.NA math.NA
Discontinuous Galerkin Isogeometric Analysis of Elliptic PDEs on Surfaces
Johannes Kepler University(约翰·开普勒大学);Austrian Academy of Sciences(奥地利科学院)
本文首次提出一种断续伽辽金方法,允许仅在子域边界处存在不连续性,用于曲面上的椭圆偏微分方程的分析与求解。
2014-02-05 cs.NA math.NA
Battling Gibbs Phenomenon: On Finite Element Approximations of Discontinuous Solutions of PDEs
本文从逼近的观点出发,想澄清连续和不连续有限元用于逼近不连续或近似不连续偏微分方程解时的吉布斯现象。对于一个简单的阶跃函数,我们显式地计算其在不连续匹配或非匹配网格上的连续和不连续的分段常数或线性投影。对于简单的不连续对齐网格的情况下,分段不连续的近似总是好的。对于一般的非匹配的情况下,我们解释说,分段不连续常数近似结合自适应网格细化是一个很好的选择,以实现无超调的精度。对于不连续的分段线性逼近,除非网格与不连续性匹配,否则将观察到非平凡的过冲。对于连续分段线性逼近,计算是基于“遥远的假设”,并且在规则网格下总是会观察到非平凡的过冲。我们计算了几种典型情况下的显式过冲值。对一个奇摄动反应扩散方程和线性双曲型方程进行了数值试验,验证了本文的结果。此外,我们讨论了基于$L^1$最小化的方法,并不推荐这样的方法,因为它们的行为类似于基于$L^2$的方法和更复杂的实现。
2022-08-02 cs.NA math.NA
Expression Rates of Neural Operators for Linear Elliptic PDEs in Polytopes
University of Pavia(帕维亚大学)
研究深度ONets在多面体中模拟椭圆PDE系数到解映射的表达率,证明了不同数据正则性下的收敛率界。
2025-12-19 cs.NA math.NA
XI-DeepONet: An operator learning method for elliptic interface problems
针对椭圆界面问题,提出扩展界面深度算子网络XI-DeepONet,将界面几何作为输入,无需数据对即可训练,实现新几何快速求解。
2024-07-21 cs.NA math.NA
Simple Second-Order Finite Differences for Elliptic PDEs with Discontinuous Coefficients and Interfaces
本文提出了一种简单的一维有限差分方法,用于解决具有不连续系数和界面的椭圆PDE问题,该方法通过求解对称线性系统实现精确的界面保持,并在二维和三维空间中验证了二阶精度。
2018-07-31 cs.NA math.NA
Interior Penalty Discontinuous Galerkin Methods for Second Order Linear Non-Divergence Form Elliptic PDEs
University of Tennessee(田纳西大学);University of Pittsburgh(匹兹堡大学)
本文提出内罚非连续伽辽金方法用于近似非散度形式二阶线性椭圆偏微分方程的W^{2,p}强解,通过建立离散Calderon-Zygmund估计和冻结系数技术,证明了方法的唯一性和最优收敛性。
2016-05-14 cs.NA math.NA
fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations
Department of Mathematics, Purdue University West Lafayette, IN 47907, USA(普渡大学数学系);Department of Mathematics, Purdue University School of Mechanical Engineering, Purdue University West Lafayette, IN 47907, USA(普渡大学机械工程学院数学系)
本文提出fPINN-DeepONet框架,结合运算学习与L2近似,高效求解分数偏微分方程,适用于固定和变分数阶PDE,并通过动态变化的分数阶和噪声数据实验验证其准确性、鲁棒性和效率。
2026-05-15 cs.LG cs.NA math.NA
Two-grid $hp$-version discontinuous Galerkin finite element methods for quasilinear elliptic PDEs on agglomerated coarse meshes
本文考虑扩展的两个网格$hp$版本的间断伽辽金有限元法的数值逼近的二阶拟线性椭圆边值问题的情况下,凝聚多边形/多面体网格的粗网格近似。我们记得,在两个网格设置,而它是必要的,以解决一个非线性问题的粗略近似空间,只有一个线性问题必须计算在原来的罚款有限元空间。在本文中,粗空间将通过聚集原始细网格的元素来构造。在这里,我们扩展了现有的先验和后验误差分析的两个网格$hp$版本的不连续伽辽金有限元法从10.1007/s10915-012-9644-1的粗网格组成的标准元形状,包括任意凝聚的粗网格。此外,我们开发了一个$hp$自适应两个网格算法,自适应设计的精细和粗糙的有限元空间,我们强调,这是在一个全自动的方式进行,因此可以被视为黑箱求解器。数值实验的二维和三维问题,以证明所提出的$hp$自适应两个网格方法的计算性能。
2021-12-08 cs.NA math.NA
The DUNE-DPG library for solving PDEs with Discontinuous Petrov--Galerkin finite elements
IGPM, RWTH Aachen(德国亚琛工业大学 IGPM);Université Paris-Dauphine, PSL Research University, CEREMADE(巴黎第九大学 PSL 研究大学)
本文介绍Dune-DPG库,该库基于Dune有限元包,提供灵活的模块化结构,可解决包括传输主导问题在内的多种PDE类,并支持后处理误差控制与自适应策略开发。
2016-02-26 cs.NA math.NA
Machine-learning custom-made basis functions for partial differential equations
University of Washington(华盛顿大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
谱方法是求解偏微分方程(PDE)的科学计算武器库的重要组成部分。然而,它们的适用性和有效性关键取决于用于扩展偏微分方程解的基函数的选择。在过去的十年中,深度学习的出现成为提供复杂函数有效表示的有力竞争者。在当前的工作中,我们提出了一种将深度神经网络与谱方法相结合来求解偏微分方程的方法。特别是,我们使用一种称为深度算子网络(DeepONet)的深度学习技术来识别扩展PDE解决方案的候选函数。我们设计了一种方法,该方法使用DeepONet提供的候选函数作为起点来构造一组具有以下属性的函数:i)它们构成基础,2)它们是正交规范的,以及3)它们是分层的,即,类似于傅里叶级数或正交多项式。我们已经利用了我们定制的基函数的有利特性,研究它们的逼近能力,并使用它们来扩展线性和非线性时间依赖偏微分方程的解。
2021-11-09 cs.LG cs.NA math.NA
Multilevel Monte Carlo estimators for elliptic PDEs with Lévy-type diffusion coefficient
扩散系数在空间上不连续的一般椭圆型方程可作为非均质或裂隙多孔介质中地下渗流的简化模型。在这样的模型中,数据稀疏性和测量误差经常被考虑到的随机化的扩散系数的椭圆型方程,揭示了灵活的,空间不连续的随机场的建设的必要性。从属高斯随机场是高维参数域上的随机函数,具有样本路径不连续和分布灵活性。本文考虑一类随机椭圆型偏微分方程,其中扩散系数中存在间断的从属高斯随机场。构造了求解随机椭圆型偏微分方程的多层蒙特卡罗(MLMC)有限元法。我们证明了一个标准的MLMC估计和一个修改的MLMC -控制变量估计的先验收敛性,并验证了我们的结果在各种数值例子。
2021-08-12 cs.NA math.NA
A high-order discontinuous Galerkin in time discretization for second-order hyperbolic equations
本文的目的是将高阶时间间断格式应用于二阶双曲型偏微分方程。我们首先在时间上离散偏微分方程,同时保持空间微分算子不离散。分析了该半离散格式的适定性,并在能量范数下给出了先验误差估计。然后,我们结合这个$hp$版本的不连续Galerkin方法的时间离散与$H^1$符合有限元近似的空间变量,构建一个完全离散的计划。在能量范数和$L^2$ -范数下得到了先验误差估计。数值实验验证了理论结果。
2021-11-29 cs.NA math.NA
Error Profile for Discontinuous Galerkin Time Stepping of Parabolic PDEs
考虑线性抛物问题的时间离散的间断Galerkin(DG)方法使用分段多项式的次数至多$r-1$在$t$,$r\ge1$和最大步长~ $k$。众所周知,DG误差的空间$L_2$ -范数在时间上具有全局最优阶$k^r$,并且对于$r\ge2$,在节点处具有阶$k^{2r-1}$的超收敛。我们发现,在$n$次子区间$(t_{n-1},t_n)$,在DG误差的主导项是成比例的本地右Radau多项式的程度$r$。该误差分布意味着DG误差在每个间隔中的右手Gauss-Radau正交点处为$k^{r+1}$阶。我们表明,在DG的解决方案在左端点$t_{n-1}$跳跃的规范提供了一个准确的\emph{a posteriori}估计的最大误差的子区间$(t_{n-1},t_n)$。此外,一个简单的后处理步骤产生一个\emph{continuous}分段多项式的次数$r$与最佳的全局收敛速度的顺序$k^{r+1}$。我们用一些数值实验来说明这些结果。
2022-09-22 cs.NA math.NA
Fast solution of fully implicit Runge-Kutta and discontinuous Galerkin in time for numerical PDEs, Part I: the linear setting
全隐式Runge-Kutta(IRK)方法作为时间积分格式在精度和稳定性方面具有许多令人满意的特性,但高阶IRK方法由于难以求解阶段方程而不常用于数值偏微分方程。本文介绍了一个理论和算法的预处理框架,解决系统的方程,所产生的IRK方法应用于线性数值偏微分方程(无代数约束)。这个框架也自然地适用于时间上的不连续Galerkin离散。在对空间离散的一般性假设下,证明了预条件算子的条件数与空间网格和时间步长无关,且与级数/多项式阶数的依赖性很弱;例如,10阶高斯IRK的预处理算子具有条件数小于2,与空间离散化和时间步长无关。新的方法可以使用任意现有的向后欧拉型时间步进计划的预条件,并适合使用三项递归Krylov方法时,基本的空间离散是对称的。新方法被证明是有效的各种高阶有限差分和有限元离散线性抛物和双曲问题,展示快速,可扩展的解决方案,高达10阶精度。新方法始终优于现有的块预处理方法,在某些情况下,新方法可以达到4阶精度使用高斯积分与预处理器的应用程序和挂钟的数量约为一半所需的使用标准对角隐式RK方法。
2021-10-05 cs.NA math.NA
Two-Step MV-DeepONet: Probabilistic Operator Learning for Uncertainty Propagation Driven by Random Input Fields
School of Mathematics and Physics, North China Electric Power University(华北电力大学数理学院);School of Energy Power and Mechanical Engineering, North China Electric Power University(华北电力大学能源动力与机械工程学院)
该研究针对概率DeepONet仅能建模对角条件协方差的局限,提出两步MV-DeepONet,通过两步训练与高斯概率建模转移,在保留单次推理的同时准确恢复非对角相关模式,提升了不确定性传播建模性能。
2026-08-11 cs.AI cs.NA math.NA
Derivative-enhanced Deep Operator Network
Georgia Institute of Technology(佐治亚理工学院)
针对参数化偏微分方程求解中训练数据有限的问题,提出导数增强的深度算子网络DE-DeepONet,通过融入线性降维和导数损失提升精度、降低数据需求,且该导数损失还可扩展至FNO等其他神经算子,经数值实验验证有效。
2024-10-30 cs.CE cs.LG cs.NA
Ultraweak formulation of linear PDEs in nondivergence form and DPG approximation
我们开发和分析了一个超弱制定的非发散形式的线性偏微分方程的系数满足Cordes条件。基于超弱形式,我们提出了间断Petrov-Galerkin(DPG)方法。我们研究了Fortin算子的全离散方案,并提供了一个后验估计的方法正在考虑。数值实验的情况下,均匀和自适应网格加密。
2019-08-23 cs.NA math.NA
Learning in latent spaces improves the predictive accuracy of deep neural operators
Johns Hopkins University(约翰斯·霍普金斯大学);Brown University(布朗大学)
本文提出L-DeepONet,通过自编码器将高维PDE输入输出映射到低维潜在空间,在多种时间相关PDE上相比标准DeepONet提升了预测精度和计算效率。
2023-04-15 cs.LG cs.NA math.DS
Semi-Lagrangian discontinuous Galerkin schemes for some first and second-order partial differential equations
Laboratoire Jacques-Louis Lions, Université Paris-Diderot (Paris 7)(雅克-路易·利翁斯实验室,巴黎第七大学);Unité de Mathématiques Appliquées, ENSTA ParisTech(应用数学单元,巴黎理工学院);Finance RI Department - Rabobank International(拉博银行国际部金融研究部门)
本文提出了一种显式、无条件稳定、高阶方案,用于近似某些一阶和二阶线性时间依赖偏微分方程。该方案基于弱形式的半拉格朗日方案,使用不连续伽辽金元素,并在不同系数情况下提供了高阶、无条件稳定和收敛的方案。
2017-11-13 cs.NA math.NA
Structure-preserving Nonlinear Filtering for Continuous and Discontinuous Galerkin Spectral/hp Element Methods
有限元模拟已被用于求解各种偏微分方程(PDE),其模拟物理、化学和生物现象。所得到的离散解往往不满足必要的物理性质,如正性或单调性。这种无效的解决方案提出了两个建模挑战,因为模拟结果的物理解释是不可能的,和计算的挑战,因为这些属性可能需要推进该计划。因此,我们考虑的问题,计算的解决方案,保持这些结构的解决方案的属性,我们强制执行的解决方案作为额外的约束。我们特别考虑一类凸约束,其中包括积极性和单调性。通过嵌入这些约束作为后处理凸优化过程,我们可以计算满足一般类型凸约束的解。对于某些类型的约束(包括正性和单调性),优化是过滤器,即,一种范数递减操作。我们提供了各种测试一维时间依赖偏微分方程,证明了该方法的有效性,我们的经验表明,收敛速度不受包括的约束。
2021-06-15 cs.NA math.NA
Operator Learning Enhanced Physics-informed Neural Networks for Solving Partial Differential Equations Characterized by Sharp Solutions
Xiamen University(厦门大学);Dalian University of Technology(大连理工大学);Brown University(布朗大学)
本文提出OL-PINN框架,将预训练DeepONet与PINN结合,以少量残差点和高精度求解具有尖锐解的偏微分方程正问题与不适定逆问题。
2023-10-30 cs.LG cs.NA math.NA
Finite Element Eigenfunction Network (FEENet): A Hybrid Framework for Solving PDEs on Complex Geometries
Duke University(杜克大学)
FEENet通过结合有限元方法和谱学习,提供了一种在复杂几何上求解PDEs的高效且准确的混合框架。
2026-01-31 cs.NA math.NA
A Neural-network-based multiscale Hybridizable Discontinuous Galerkin method for solving PDEs in porous media
ECPI University(ECPI大学);Old Dominion University(老道明大学)
该研究提出NN-MsHDG方法,用神经网络预测局部算子替代细尺度求解,中等对比度下可降低5至16倍在线计算成本,同时指出高对比度下需改进粗空间及算子表示。
2026-09-07 cs.NA math.NA
Fast solution of fully implicit Runge-Kutta and discontinuous Galerkin in time for numerical PDEs, Part II: nonlinearities and DAEs
全隐式Runge-Kutta(IRK)方法作为时间积分格式具有许多令人满意的精度和稳定性,但高阶IRK方法由于难以求解阶段方程而不常用于大规模数值偏微分方程的实际计算中。本文介绍了一种理论和算法框架,用于解决IRK方法(和时间上的不连续Galerkin离散)应用于非线性数值偏微分方程,包括代数约束的偏微分方程所产生的非线性方程。几个新的线性化的非线性IRK方程的开发,提供更快,更强大的收敛速度比经常被认为是简化牛顿,以及一个有效的预处理真正的雅可比矩阵,如果需要精确的牛顿迭代。求这些线性化的逆需要求解一组块2x2系统。在相当一般的假设下,证明了预处理的2 × 2算子的条件数是有界的一个小常数接近1,独立的空间离散化,空间网格,和时间步长,只有弱依赖的级数或积分精度。此外,新的方法是建立使用相同的预处理所需的向后欧拉型时间步进计划,所以可以很容易地添加到现有的代码。新的方法被应用到几个具有挑战性的流体流动问题,包括可压缩的欧拉和Navier斯托克斯方程,和不可压缩的欧拉和Navier斯托克斯方程的涡量流函数制定。使用Gauss IRK证明了高达10阶的精度,而在所有情况下,4阶Gauss IRK所需的预处理器应用数量大约是标准SDIRK方法的一半。
2021-10-05 cs.NA math.NA physics.comp-ph
Efficient Transformer-Inspired Variants of Physics-Informed Deep Operator Networks
Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Washington(华盛顿大学);Brown University(布朗大学)
本研究提出一系列受Transformer启发的DeepONet变体,通过分支与主干网络的双向交叉条件机制,在保持原生DeepONet简洁高效的同时,在四类PDE基准上达到或超越改进版DeepONet的精度与训练效率,并通过统计分析验证了方法的鲁棒性。
2025-09-01 cs.LG cs.NA math.NA
Boundary treatment for high-order IMEX Runge-Kutta local discontinuous Galerkin schemes for multidimensional nonlinear parabolic PDEs
本文针对多维非线性抛物型偏微分方程,提出适用于IMEX Runge-Kutta时间离散的边界处理算法,以消除时间依赖Dirichlet边界条件引起的阶数降低,并通过局部间断Galerkin空间离散的数值实验验证其恢复设计收敛阶数。
2024-10-03 cs.NA math.NA q-fin.CP
Discontinuous Galerkin finite element operator network for solving non-smooth PDEs
Department of Mathematics, Florida State University(数学系,佛罗里达州立大学);Department of Mathematical Sciences, Seoul National University(数学科学系,首尔国立大学);Department of AI, Chung-Ang University(人工智能系, Chung-Ang 大学)
DG--FEONet通过结合不连续有限元方法与神经网络,实现无需数据训练的非光滑PDE求解,展现高精度和强泛化能力。
2026-01-07 cs.AI cs.LG cs.NA
Friedrichs' systems discretized with the Discontinuous Galerkin method: domain decomposable model order reduction and Graph Neural Networks approximating vanishing viscosity solutions
本文针对Friedrichs系统双曲PDE的Kolmogorov n-宽度衰减缓慢问题,提出区域可分解降阶模型和图神经网络多保真超分辨率两种方法,在deal.II中实现分布式求解并逼近消失粘性解。
2023-08-07 cs.NA math.NA
A Discontinuous Galerkin Method for the Extracellular Membrane Intracellular Model
提出并分析用于可兴奋组织耦合椭圆型偏微分方程的内罚不连续伽辽金方法,通过动态界面条件耦合细胞内外区域,证明了存在唯一性和收敛性,并给出参数稳健的预处理迭代求解器。
2024-11-04 cs.NA math.NA
Discrete conservation laws for finite element discretisations of multisymplectic PDEs
在这项工作中,我们提出了一个新的,任意阶时空有限元离散哈密顿偏微分方程的多辛公式。我们证明了新的方法,这是通过使用连续和不连续的空间离散,承认一个局部和整体的能量守恒律。我们还证明了离散方程解的存在唯一性。此外,我们说明的错误行为和建议的离散化在广泛的数值实验中的线性和非线性波动方程和非线性薛定谔方程的守恒性质。
2021-06-12 cs.NA math.NA
High order well-balanced Arbitrary-Lagrangian-Eulerian ADER discontinuous Galerkin schemes on general polygonal moving meshes
本文提出一种适用于一般多边形动网格的高阶保平衡任意拉格朗日-欧拉ADER间断伽辽金格式,通过拉格朗日运动与网格优化、时空控制体积分及后验子单元有限体积限制,实现质量守恒、满足几何守恒律并在激波处保持鲁棒性。
2025-08-16 cs.NA math.NA
Fourier Continuation Discontinuous Galerkin Methods for Linear Hyperbolic Problems
傅立叶延拓是一种用于创建非周期函数的周期扩展以获得高精度傅立叶展开的方法。这些方法已被用于偏微分方程求解器,并已证明高阶收敛和光谱精确的色散关系在数值实验中。不连续Galerkin(DG)方法越来越多地用于求解偏微分方程,并且与所有Galerkin公式一样,具有强大的框架来证明稳定性和收敛性。在这里,我们建议使用傅立叶延拓形成一个新的基础DG框架。
2021-04-30 cs.NA math.NA
Adaptive sparse grid discontinuous Galerkin method: review and software implementation
综述了求解高维偏微分方程的自适应稀疏网格间断Galerkin(aSG-DG)方法及其软件实现。名为AdaM-DG的C \texttt{++}软件包实现了aSG-DG方法,可在Github上的\url{https://github.com/JuntaoHuang/adaptive-multiresolution-DG}上获得。该软件包是能够处理一类大的高维线性和非线性偏微分方程。我们回顾了该算法的基本组成部分和软件的功能,包括所使用的多小波,组装的双线性算子,快速矩阵向量积的数据与层次结构。我们进一步证明了包的性能报告的数值误差和CPU成本的几个基准测试,包括线性输运方程,波动方程和Hamilton-Jacobi方程。
2022-11-03 cs.NA math.NA physics.comp-ph
Krylov implicit integration factor discontinuous Galerkin methods on sparse grids for high dimensional reaction-diffusion equations
Mississippi State University(密西西比州立大学);Michigan State University(密歇根州立大学);Indiana University South Bend(印第安纳大学南本德分校);University of Notre Dame(圣母大学)
本文提出了一种基于稀疏网格的Krylov隐式积分因子不连续Galerkin方法,用于高效求解高维反应-扩散方程,通过多小波基函数减少自由度并利用指数积分器处理刚性问题,验证了方法的准确性和效率。
2018-10-25 cs.NA math.NA
HyperDeepONet: learning operator with complex target function space using the limited resources via hypernetwork
Korea Institute for Advanced Study(韩国高等研究院);Pohang University of Science and Technology(浦项科技大学)
提出HyperDeepONet,利用超网络以更少参数高效学习复杂算子,降低计算复杂度,在资源受限条件下实现高精度预测。
2023-12-26 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
Analysis of Schwarz methods for a hybridizable discontinuous Galerkin discretization: the many subdomain case
Université de Genève(日内瓦大学);Humboldt-Universität zu Berlin(柏林洪堡大学)
本文研究了多子域情况下优化Schwarz方法在混合不连续伽辽金离散化求解抛物型问题中的收敛性,得出了关于网格尺寸、多项式次数和子域直径的精确收敛率。
2017-05-11 cs.NA math.NA
An Optimal EDG Method for Distributed Control of Convection Diffusion PDEs
Sichuan University(四川大学);Missouri University of Science and Technology(密苏里科技大学)
本文提出了一种嵌入式不连续Galerkin方法来近似由对流扩散PDEs支配的分布式控制问题,并获得了状态、共轭状态、其通量及控制的最优先验误差估计。此外,证明了优化后离散(OD)和离散后优化(DO)方法是等价的。数值结果验证了理论结果。
2017-12-29 cs.NA math.NA
Geometric adaptive smoothed aggregation multigrid for discontinuous Galerkin discretisations
提出一种适用于间断Galerkin离散化的几何自适应平滑聚合多重网格求解器,支持任意非结构化网格和多种数值通量,在多类偏微分方程上实现了与网格无关的快速收敛。
2025-05-29 cs.NA math.NA
Attention-based hybrid solvers for linear equations that are geometry aware
本文提出基于注意力机制的几何感知混合求解器,利用在简单几何上训练的Deeponet为不同几何下的亥姆霍兹方程提供鲁棒预条件子,无需微调或额外数据。
2024-11-20 cs.NA math.NA