Convergence analysis and proof of acceleration for NGMRES applied to the Picard iteration for Navier-Stokes equations
University of Houston(休斯顿大学);Clemson University(克莱姆森大学)
本文分析了NGMRES在Navier-Stokes Picard迭代中的收敛性,证明了其通过优化问题的增益加速收敛,并通过数值实验验证了收敛估计的准确性及对发散情况的改善作用。
2026-08-26 cs.NA math.NA
On the numerical Picard iterations method with collocations for the IVP
本文提出几种数值皮卡迭代方法变体,用于求解常微分系统初值问题,通过拉格朗日插值多项式替代右端表达式并进行逐步逼近,给出固定插值点数的收敛性结果,并报告了数值实验。
2017-08-08 cs.NA math.NA
Anderson-Picard based nonlinear preconditioning of the Newton iteration for non-isothermal flow simulations
提出基于Anderson-Picard的非线性预处理技术改进非等温流模拟的Newton迭代,证明了其无条件稳定性与二次收敛性,且数值测试表明该方法在更高Rayleigh数下具有更大的收敛域。
2025-01-29 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
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
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
Multi-level Picard approximations of high-dimensional semilinear parabolic differential equations with gradient-dependent nonlinearities
Faculty of Mathematics, University of Duisburg-Essen(杜伊斯堡-埃森大学数学学院)
本文研究了高维半线性抛物型微分方程在梯度依赖非线性情况下的多级皮卡尔近似方法,证明了在合适假设下,计算复杂度在维度和精度倒数上以多项式方式增长。
2017-11-03 cs.NA math.NA
Multilevel Picard algorithm for general semilinear parabolic PDEs with gradient-dependent nonlinearities
针对系数非常数且非线性依赖梯度的一般半线性抛物型 PDE,提出多层 Picard 逼近算法,并借助 SFPE 证明解与梯度的表示、收敛性及复杂度,辅以 300 维数值验证。
2025-02-18 cs.NA math.AP math.NA
Multilevel Picard approximations for high-dimensional semilinear second-order PDEs with Lipschitz nonlinearities
最近提出的全历史递归多层Picard(MLP)逼近方法在高维非线性偏微分方程解的数值逼近方面取得了很大的成功。特别是,在文献中有数学收敛的结果证明,MLP近似方法确实克服了非线性二阶偏微分方程的数值逼近中的维数灾难,在这个意义上,所提出的MLP近似方法的计算操作的数量在规定的近似精度$ε>0$的倒数$1/ε$和偏微分方程维数$d\in \mathbb{N}=\{1,2,3, \ldots\}$中最多多项式地增长。然而,在文献中的MLP逼近方法的收敛性结果中,假定二阶微分算子前面的系数函数是仿射线性的。特别地,直到今天,在科学文献中还没有结果证明任何具有一般时域和二阶微分算子前面的非仿射线性系数函数的半线性二阶偏微分方程可以被近似而没有维数灾难。本文的主要贡献是克服这一障碍,提出并分析了一类二阶微分算子前系数函数可能为非线性的半线性二阶偏微分方程的MLP逼近方法.特别地,本文的主要结果证明了这种新的MLP逼近方法确实克服了半线性二阶偏微分方程数值逼近中的维数灾难。
2020-10-09 cs.NA math.NA math.PR
Enabling fast convergence of the iterated penalty Picard iteration with $O(1)$ penalty parameter for incompressible Navier-Stokes via Anderson acceleration
本文考虑了求解不可压斯托克斯方程的经典迭代罚Picard(IPP)方法的一个改进,其中我们将注意力限制在$O(1)$罚参数上,并使用Anderson加速(AA)来显著改善其收敛性。在证明与IPP迭代相关的不动点算子是Lipschitz连续和Lipschitz连续(Frechet)可微的之后,我们应用最近开发的AA的一般理论得出结论,用AA增强的IPP通过与底层AA最优化问题相关的增益因子来提高其线性收敛速率。几个具有挑战性的数值试验的结果表明,IPP与罚参数1和增强AA是一个非常有效的解决方案。
2021-05-19 cs.NA math.NA
A Numerical Scheme For High-dimensional Backward Stochastic Differential Equation Based On Modified Multi-level Picard Iteration
Kim Il Sung University(金日成大学)
本文提出了一种基于改进多级皮卡尔迭代的高维反向随机微分方程数值方案,通过改进的蒙特卡洛采样生成方法,提高了计算复杂度的效率,并证明了在生成函数不依赖控制变量时的显式误差估计。
2019-05-03 cs.NA math.NA math.PR
Stability Analysis of Picard Iteration for Coupled Neutronics/Thermal-Hydraulics Simulations
本文对中子学/热工水力学(N/TH)耦合问题的Picard迭代法进行了形式化的傅里叶分析(FA),并推导了这种耦合计算的Picard迭代法的谱半径随燃料和冷却剂之间的温差、截面的温度系数(即,多普勒反馈)、散射比和核心高度。基于傅里叶分析,还导出了最佳欠松弛因子。
2023-03-04 cs.NA math-ph math.MP
A learning scheme by sparse grids and Picard approximations for semilinear parabolic PDEs
基于倒向随机微分方程(BSDEs)与非线性抛物型偏微分方程(PDEs)之间的经典联系,提出了一种求解高维半线性抛物型偏微分方程的新的概率学习方法.该方案受到来自机器学习的方法的启发,并使用Han等人的深度神经网络开发[32]。我们的算法是基于皮卡德迭代计划,其中一系列的线性二次优化问题是通过随机梯度下降(SGD)算法解决。在近似空间的线性规范的框架下,我们设法证明了我们的计划的收敛结果,在一定的小条件。在实践中,为了能够处理高维的例子,我们采用稀疏网格近似空间。在周期系数和使用预小波基函数的情况下,我们得到了我们的方法的全局复杂性的上界。它特别表明,灾难的维数是驯服的意义上,为了实现一个均方根误差的顺序$ε$,对于一个规定的精度$ε$,皮卡德算法的复杂性多项式增长$ε^{-1}$到一些对数因子$ |log(ε)| $,它线性增长的PDE尺寸。给出了各种数值结果来验证我们的方法的性能,并将其与Han等人[20]和Huré等人[37]中提出的一些最近的机器学习方案进行比较。
2021-02-24 cs.NA math.NA math.PR
Multilevel Picard approximations overcome the curse of dimensionality in the numerical approximation of general semilinear PDEs with gradient-dependent nonlinearities
本文证明了Neufeld与Wu提出的用于求解含梯度依赖非线性项的一般半线性抛物型PDE的多级Picard(MLP)算法可克服维数灾难,其计算复杂度仅随维度和精度倒数呈多项式增长。
2025-03-20 cs.NA math.AP math.NA
Picard Iteration for the Characteristic Initial Value Problem in Einstein Equations
National University of Singapore(新加坡国立大学)
提出一种将双零规范下爱因斯坦方程转化为常微分方程组的Picard迭代算法,结合多种数值技术实现高效求解。
2026-09-09 cs.NA gr-qc math.NA
On a blended Anderson / NGMRES acceleration for the Navier-Stokes Picard iteration: convergence analysis and adaptive depth selection
University of Houston(休斯顿大学);Clemson University(克莱姆森大学)
本文提出了一种改进的安德森加速方法(AAg),通过优化问题的增益加速Navier-Stokes方程的Picard迭代收敛,并提供了其线性收敛速率的精确预测,同时展示了该方法在不可压缩流体中的有效性。
2026-09-07 cs.NA math.NA
Multilevel Picard iterations for solving smooth semilinear parabolic heat equations
Princeton University(普林斯顿大学);University of Duisburg-Essen(杜伊斯堡-埃森大学);ETH Zurich(苏黎世联邦理工学院)
本文提出了一种新的数值算法,用于近似求解一般高维半线性抛物型偏微分方程在单个时空点的解,通过费曼-卡茨公式与毕苏特-埃尔沃里-李公式的巧妙结合,以及多级精度的皮卡固定点迭代近似分解,实现了高效求解,并在物理和金融领域的问题中取得了令人满意的结果。
2019-02-22 cs.NA math.NA
On the choice of optimization norm for Anderson acceleration of the Picard iteration for Navier-Stokes equations
Clemson University(克莱姆森大学)
本文研究Anderson加速应用于Navier-Stokes方程Picard迭代时优化范数的选择,证明$H^1_0$和$L^2$范数具有相似的收敛性,并通过数值实验发现$\ell^2$范数在粗网格下可能显著更差。
2025-09-23 cs.NA math.NA
Picard-Based Acceleration of Newton Continuation for Mean Field Game PDE Systems
New York University Shanghai(纽约大学上海);NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai(纽约大学上海华东师范大学数学科学联合研究院);Department of Mathematics, New York University Shanghai(纽约大学上海数学系);Department of Data Science, New York University Shanghai(纽约大学上海数据科学系);Department of Mathematics, New York University(纽约大学数学系)
研究平均场博弈PDE系统中牛顿法与皮卡德法的计算权衡,发现皮卡德法收敛快但低粘度易失败,牛顿法更鲁棒,并提出混合延拓策略。
2026-09-16 cs.NA math.NA
Convergence Analysis of the Alternating Anderson-Picard Method for Nonlinear Fixed-point Problems
本文研究了非线性不动点问题中的交替Anderson-Picard(AAP)方法,通过建立其与multisecant-GMRES的等价性,证明AAP渐近收敛于Newton-GMRES方法,并得出其局部q-线性收敛性及收敛因子上界。
2025-07-11 cs.NA math.NA
Numerical analysis of small-strain elasto-plastic deformation using local Radial Basis Function approximation with Picard iteration
本文提出结合 RBF-FD 无网格离散、返回映射与 Picard 迭代求解小应变弹塑性 von Mises 问题,并通过厚壁圆筒算例验证其精度与复杂几何适应性。
2024-05-08 cs.NA math.NA
Gregory Nested Picard Iteration Schemes for Open Quantum Systems Governed by the Lindblad Equation
Virginia Tech(弗吉尼亚理工大学)
提出基于Gregory型求积的嵌套Picard迭代方案,在等距节点上构造高达九阶的CPTP格式,降低计算成本并保持高精度和结构保持性。
2026-06-27 cs.NA math.NA quant-ph
A Carleman-Picard approach for reconstructing zero-order coefficients in parabolic equations with limited data
本文提出“降维方法”,通过多项式-指数基、拟可逆性与 Carleman 权函数构造 Picard 迭代,在有限边界数据下全局收敛地重构抛物型方程零阶系数。
2023-09-26 cs.NA math.NA
Carleman--Picard and time-dimensional reduction for inverse initial-data problems in nonlinear transport with memory
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对带非线性与记忆效应的拟线性输运方程逆初值问题,本文采用Legendre--指数时空降维法结合Carleman权与Tikhonov正则化的Picard方法,实现含噪数据下初态的准确鲁棒重构,收敛迅速。
2026-08-11 cs.NA math.NA
Sharpened PCG Iteration Bound for High-Contrast Heterogeneous Scalar Elliptic PDEs
Delft Institute of Applied Mathematics, Faculty of Electrical Engineering, Mathematics and Computer Science(代尔夫特应用数学研究所,电气、数学和计算机科学学院)
针对经典PCG迭代界对聚类特征谱系统估计过悲观的问题,提出利用谱聚类边缘特征值的锐化迭代界,可有效区分粗空间性能,且能通过早期Ritz值估计。
2025-11-16 cs.NA math.NA
Deep learning approximations for non-local nonlinear PDEs with Neumann boundary conditions
Swiss Federal Research Institute for Forest, Snow and Landscape (WSL)(瑞士联邦森林、雪与景观研究所(WSL));ETH Zürich(苏黎世联邦理工学院);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);University of Münster(明斯特大学)
非线性偏微分方程(PDE)被广泛应用于从金融到生物学等众多科学领域。在许多应用中,标准局部模型不足以准确地说明某些非局部现象,例如,远距离的互动。为了正确地捕捉这些现象,非局部非线性偏微分方程模型经常在文献中使用。在这篇文章中,我们提出了两个数值方法基于机器学习和Picard迭代,分别近似求解非局部非线性偏微分方程。所提出的基于机器学习的方法是先前在文献中引入的基于深度学习的分裂型近似方法的扩展变体,并且利用神经网络来提供解的空间域的子集上的近似解。基于Picard迭代的方法是以前文献中介绍的所谓的全历史递归多级Picard近似方案的扩展变体,并提供了域的单个点的近似解。这两种方法都是无网格的,并允许非局部非线性偏微分方程与诺依曼边界条件,以解决在高维。在这两种方法中,由于偏微分方程的维数而产生的数值困难通过(i)使用反射随机过程的期望轨迹与偏微分方程的解(由Feynman-Kac公式给出)之间的对应关系以及(ii)使用普通的Monte Carlo积分来处理非局部项来避免。我们评估了这两种方法在物理学和生物学中产生的五种不同偏微分方程上的性能。在所有情况下,这些方法在最多10个维度上都能以较短的运行时间产生良好的结果。我们的工作扩展了最近开发的方法,以克服维数灾难在解决偏微分方程。
2022-05-07 cs.LG cs.NA math.NA
Generalised multilevel Picard approximations
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。特别是,在科学文献中研究的大多数数值逼近方案都受到维数灾难的影响,在这个意义上,计算误差最大为$ \varepsilon > 0 $的近似所需的计算操作的数量至少在PDE维度$ d \in \mathbb{N} $或$ \varepsilon $的倒数中呈指数增长。最近,所谓的全历史递归多层皮卡德(MLP)近似方法已被引入到解决近似求解高维偏微分方程的问题。MLP近似方法目前是,据我们所知,抛物半线性偏微分方程的一般时间范围和一般的初始条件,有一个严格的证明,他们确实能够击败维数灾难的唯一方法。这项工作的主要目的是调查MLP近似方法更深入,更清楚地揭示这些方法可以克服灾难的维数,并提出了一个广义类的MLP近似计划,其中包括以前分析的MLP近似计划的特殊情况。特别是,我们开发了一个抽象的框架,在这类广义MLP近似可以制定和分析,此后,应用这个抽象的框架,以获得一个计算复杂性结果适合MLP近似半线性热方程。这些所得的MLP近似的半线性热方程基本上是概括以前介绍的MLP近似的半线性热方程。
2019-11-08 cs.NA math.AP math.NA
Quantitative Approximation for Neural Operators in Nonlinear Parabolic Equations
Shimane University(岛根大学);Shizuoka University(静冈大学);Rikkyo University(立教大学)
本文利用Duhamel原理与Picard迭代的相似性,推导了神经算子逼近非线性抛物方程解算子的定量速率,证明其模型复杂度无需指数增长,并可推广至Navier-Stokes等方程。
2024-10-03 cs.LG cs.NA math.NA
Rate optimal adaptive FEM with inexact solver for nonlinear operators
TU Wien, Institute for Analysis and Scientific Computing(维也纳工业大学分析与科学计算研究所)
本文研究了非线性方程强单调算子的自适应有限元方法,证明了最优代数收敛速率,并通过嵌套迭代方法处理非线性系统,验证了计算成本的最优性。
2017-07-21 cs.NA math.NA
Overcoming the curse of dimensionality in the numerical approximation of parabolic partial differential equations with gradient-dependent nonlinearities
偏微分方程(PDE)是模拟许多现实世界现象的基本工具。在许多这样的现实世界的现象中,所考虑的偏微分方程包含梯度相关的非线性和高维。这类高维非线性偏微分方程在几乎所有情况下都不能显式求解,而近似求解高维非线性偏微分方程是应用数学中最具挑战性的任务之一。设计用于非线性偏微分方程的近似算法尤其是非常具有挑战性的,对于非线性偏微分方程,人们可以严格地证明它们确实克服了所谓的维数灾难,在这个意义上,近似算法的计算操作的数量需要达到大小为$\varepsilon$ > 0在PDE维度$d \in \mathbb{N}$和规定的近似精度$\varepsilon$的倒数两者中至多多项式地增长。特别是,据我们所知,在科学文献中没有近似算法已被证明可以克服维数灾难的情况下,一类非线性偏微分方程的一般时间范围和梯度依赖的非线性。克服这一困难是本文的主要贡献。更具体地说,本文的主要贡献是(i)提出了一种新的全历史递归多层Picard近似算法,用于求解具有一般时域和梯度依赖非线性的高维非线性热方程,(ii)严格证明了这种全历史递归多层Picard近似算法是有效的。历史递归多层Picard近似算法确实克服了这种非线性热方程的维数灾难,梯度相关非线性
2019-12-05 cs.NA math.NA
The nonlinear HSS-like iteration method for absolute value equations
School of Mathematics and Statistics, Lanzhou University(兰州大学数学与统计学院);School of Mathematics and Statistics, Hexi University(河西学院数学与统计学院);School of Chemistry and Chemical Engineering, Hexi University(河西学院化学化工学院)
本文提出非线性HSS-like迭代法以改进Picard-HSS方法,通过单层迭代结构提升效率,数值实验验证其有效性。
2018-01-02 cs.NA math.NA math.OC
Iteration scheme for initial value problem for PDEs: Existence, convergence and comparison
Brno University of Technology(布尔诺理工大学);CEITEC BUT(CEITEC 布尔诺理工大学中心)
本文回顾了某些偏微分方程初值问题解的存在性和唯一性结果,提出了一种迭代方案及其误差估计,并通过数值例子验证了该方案的适用性,同时与近期其他结果进行比较。
2016-02-20 cs.NA math.AP math.NA
Two CSCS-based iteration methods for solving absolute value equations
近年来,两类基于HSS的迭代法被构造用于求解绝对值方程组,这是一类不可微的NP-难问题。在这项研究中,我们建立了Picard-CSCS迭代法和非线性CSCS类迭代法的AVE涉及Toeplitz矩阵。然后,我们分析了Picard-CSCS迭代法求解AVE的收敛性。利用非光滑分析的理论,详细证明了AVE的非线性类CSCS迭代求解器的收敛性。这些方法的优点是它们根本不需要存储系数矩阵,并且子线性方程组可以通过快速傅里叶变换(FFT)来有效地求解。因此,在实际实现中可以节省计算成本和存储。数值算例包括非线性分数阶扩散方程的数值解,并与已有方法进行了比较,结果表明所提方法是有效的.
2020-01-13 cs.NA math.NA
Acceleration of nonlinear solvers for natural convection problems
本文发展了一种有效的和强大的解决方案技术的定常Boussinesq模型的非等温流动使用安德森加速应用于皮卡德迭代。在分析了与非线性迭代相关的不动点算子,证明了其稳定性和正则性之后,应用作者最近建立的Anderson加速理论,得到了Boussinesq系统的Anderson加速Picard迭代的收敛性结果.结果表明,残差中的首项通过最优化问题中的增益得到改善,但代价是额外的高阶项,当残差较大时,高阶项可能是显著的。我们进行数值试验,说明了理论,并表明,2阶段的选择安德森深度可以是有利的。我们还考虑安德森加速应用到牛顿迭代的Boussinesq方程,并观察到,加速允许牛顿迭代收敛显着更高的瑞利数,它可以没有加速,即使用标准的线搜索。
2020-04-14 cs.NA math.NA
A globally convergent Carleman-Picard method for an inverse initial-value problem for a nonlinear diffusive coagulation-fragmentation equation coagulation-fragmentation equation
California State University, Long Beach(加州州立大学长滩分校);Texas A&M University(德克萨斯农工大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
本文提出一种基于Legendre-指数时间缩减和Carleman-皮卡迭代的全局收敛方法,用于恢复非线性扩散聚并-裂变方程的未知初始粒子尺寸分布,通过边界观测和其尺寸导数的时间依赖数据实现准确稳定重建。
2026-03-22 cs.NA math.NA math.OC
A proof that rectified deep neural networks overcome the curse of dimensionality in the numerical approximation of semilinear heat equations
深度神经网络和其他深度学习方法已经非常成功地应用于高维非线性抛物型偏微分方程(PDE)的数值逼近,这些方程广泛应用于金融、工程和自然科学。特别是,模拟表明,基于深度学习的算法克服了半线性偏微分方程解的数值逼近中的维数灾难。对于某些线性偏微分方程,这也已经在数学上得到了证明。这篇文章的主要贡献是严格证明这是第一次为一类非线性偏微分方程。更确切地说,我们证明了在具有梯度无关非线性的半线性热方程的情况下,所采用的深度神经网络的参数数量在PDE维度和规定的近似精度的倒数上最多以多项式方式增长。我们的证明依赖于最近推出的多级皮卡近似半线性偏微分方程。
2019-07-14 cs.NA math.NA
Galerkin-Bernstein Approximations of the System of Time Dependent Nonlinear Parabolic PDEs
本文提出基于修正Bernstein多项式的修正Galerkin加权残差法,结合后向差分与Picard迭代求解时间相关非线性抛物型偏微分方程组,并通过数值算例验证其适用性与效率。
2023-07-10 cs.NA 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
Multilevel Picard approximations and deep neural networks with ReLU, leaky ReLU, and softplus activation overcome the curse of dimensionality when approximating semilinear parabolic partial differential equations in $L^p$-sense
Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University, Singapore(数学科学系,物理与数学科学学院,南洋理工大学,新加坡);Faculty of Mathematics, Bielefeld University, Germany(数学学院,比勒菲尔德大学,德国)
研究证明,多级皮卡尔近似与具有ReLU、leaky ReLU和softplus激活函数的深度神经网络能以L^p意义近似半线性Kolmogorov PDE解,且计算复杂度和参数数量随维度和精度要求呈多项式增长。
2026-03-23 cs.LG cs.NA math.NA
Convergence acceleration for the BLUES function method
在BLUES函数法和变分迭代法的框架内,对Picard、Ishikawa、Mann和Picard-Krasnoselskii四种不同的迭代方法进行了详细的比较。所得到的修改后的方法随后施加到一个非线性反应扩散平流微分方程,以产生近似已知的精确解。通过对近似解的研究以及得到的近似解与精确解之间的误差,说明了BLUES函数法与变分迭代法的区别。
2022-07-18 cs.NA math.NA math.OC
Algorithms for Solving High Dimensional PDEs: From Nonlinear Monte Carlo to Machine Learning
近年来,利用非线性(多级)蒙特卡罗或深度学习的思想,在求解高维偏微分方程(PDE)的数值算法方面取得了巨大进展。对于许多不同的应用,它们可能没有维数灾难,并且在一些非线性抛物型偏微分方程的非线性蒙特卡罗方法的情况下已经被证明是这样。在本文中,我们回顾这些数值和理论的进展。除了基于原始问题的随机重构的算法,如多层Picard迭代和Deep Bracket方法,我们还讨论了基于更传统的Ritz,Galerkin和最小二乘公式的算法。我们希望向读者证明,研究偏微分方程以及控制和变分问题在非常高的维度很可能是最有前途的新方向在数学和科学计算在不久的将来。
2020-09-11 cs.NA math.NA math.OC
Accelerating convergence of a natural convection solver by continuous data assimilation
针对自然对流 Boussinesq 模型 Picard 迭代随 Rayleigh 数增大收敛变慢甚至失败的问题,提出将稀疏测量数据经 CDA 纳入迭代,使线性收敛速率按 $H^{1/2}$ 改善并支持高 $Ra$ 收敛。
2025-02-15 cs.NA math.AP math.NA
Mitigating Barren Plateaus via Domain Decomposition in Variational Quantum Algorithms for Nonlinear PDEs
Imam Abdulrahman Bin Faisal University(Imam Abdulrahman Bin Faisal大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Kyung Hee University(庆熙大学)
本文提出域分解框架缓解变分量子算法在求解非线性偏微分方程时的 barren plateaus 问题,通过局部化成本函数提升求解精度和优化稳定性。
2026-03-25 cs.NA math.NA
State-based nested iteration solution of optimal control problems with PDE constraints
本文提出一个抽象框架,用时空有限元离散化求解受偏微分方程约束的最优控制问题,推导正则化与网格尺寸的最优关系,并设计基于状态的嵌套迭代以实现渐近最优复杂度求解。
2025-05-25 cs.NA math.NA
Algorithm MGB to solve highly nonlinear elliptic PDEs in $\tilde{O}(n)$ FLOPS
针对p-Laplacian等高度非线性凸欧拉-拉格朗日方程,提出MGB多重网格屏障算法,证明满足正则性假设时其以$\tilde{O}(n)$次浮点运算收敛,是首个大$\tilde{O}$意义下运行时间最优的同类算法。
2023-06-16 cs.NA math.NA
Numerical approximation of BSDEs using local polynomial drivers and branching processes
Université Paris-Dauphine, PSL Research University(巴黎第九大学,PSL研究大学);CNRS(法国国家科学研究中心);EDF R&D & FiME, Laboratoire de Finance des Marchés de l’Energie(法国电力集团研发部及能源市场金融研究所,能源市场金融实验室)
本文提出一种基于分支过程的BSDE数值方案,通过局部多项式近似驱动函数并结合皮卡迭代法,避免细时间离散化需求,证明了算法在任意时间范围内均收敛,并通过数值模拟验证了算法性能。
2017-07-28 cs.NA math.NA
Additive reduced basis preconditioners for large-scale parametrized PDEs
Sichuan University(四川大学);Nuclear Power Institute of China(中国核动力研究设计院)
本文提出加性约化基预条件子,通过修正项正则化奇异近似,集成于FGMRES框架,加速大规模参数化PDE求解,数值实验验证其高效收敛。
2026-09-11 cs.NA math.NA
Enhancing multigrid solvers for isogeometric analysis of nonlinear problems using polynomial extrapolation techniques
本文研究用多项式外推技术加速 Picard 迭代并结合等几何分析多重网格求解器,高效求解 Bratu 问题和 Monge-Ampère 方程,并给出二次收敛性理论结果。
2025-01-05 cs.NA math.NA
A Mini-Batch Method for Solving Nonlinear PDEs with Gaussian Processes
针对高斯过程求解偏微分方程时协方差矩阵求逆成本随样本量三次方增长的瓶颈,提出结合小批量策略的无限维最小化算法,理论证明误差以O(1/K+1/M)速率收敛,有效分摊计算成本。
2024-02-01 cs.NA math.NA
A new efficient explicit Deferred Correction framework: analysis and applications to hyperbolic PDEs and adaptivity
针对显式Deferred Correction框架计算成本高的问题,提出迭代间插值的改进方案,给出Butcher表并验证稳定性,可用于双曲PDE及自适应方法,在多基准测试中表现优异。
2023-05-26 cs.NA math.NA
Finite Expression Approximation of High-Dimensional PDEs Without the Curse of Dimensionality
University of Maryland, College Park(马里兰大学帕克分校)
本文证明有限表达式符号表示类可克服高维PDE的维数灾难,通过多级皮卡德框架传播及构造确定性逼近,实现多项式复杂度保证,为有限表达式方法奠定理论基础。
2026-09-29 cs.NA math.NA
Parallelizing spectral deferred corrections across the method
Jülich Supercomputing Centre, Forschungszentrum Jülich GmbH(于利希超级计算中心,于利希研究中心有限公司)
本文提出两种策略实现谱延迟校正的并行化,通过迭代低阶时间步进方法作为预处理Picard迭代,展示如何同时更新所有插值节点。
2017-03-23 cs.NA math.NA
Enhancing nonlinear solvers for the Navier-Stokes equations with continuous (noisy) data assimilation
本文将连续数据同化引入Picard迭代求解Navier-Stokes方程,将分析从加权H^1范数改进为L^2范数并推广到含噪数据,证明方法稳定收敛至噪声量级,并提出用CDA-Picard为Newton迭代提供初值的有效策略。
2024-01-12 cs.NA math.NA
RBF approximation of three dimensional PDEs using Tensor Krylov subspace methods
在本文中,我们提出了不同的算法解决张量线性离散不适定的问题所产生的应用程序的无网格方法求解偏微分方程在三维空间中使用多二次径向基函数。截断奇异值分解(TSVD)是求解病态系统最常用的有效方法,但对于大规模矩阵,用TSVD求解线性系的运算量很大。在目前的工作中,我们提出了算法的基础上使用著名的爱因斯坦产品的两个张量定义张量全球Arnoldi和张量Gloub Kahan双对角化算法。使用所谓的Tikhonov正则化技术,我们将能够在几次迭代中提供可计算的近似正则化解。
2021-03-03 cs.NA math.NA