Generalization Error Bounds for Picard-Type Operator Learning in Nonlinear Parabolic PDEs
Department of Mathematical and Systems Engineering, Faculty of Engineering(工学系数学与系统工程系);RIKEN AIP / CyberAgent(RIKEN AIP/ CyberAgent)
本文研究了基于Duhamel-Picard迭代的非线性抛物型PDE解算子学习,提出理论框架并推导了与实现无关的泛化误差界,分析了Picard深度对截断误差和熵基估计误差的影响。
2026-11-03 cs.LG math.AP stat.ML
Global Convergence of Adjoint-Optimized Neural PDEs
University of Oxford, Mathematical Institute(牛津大学数学研究所);Boston University, Department of Mathematics & Statistics(波士顿大学数学与统计系)
本文研究了在隐藏单元数和训练时间趋于无穷时,神经偏微分方程的共轭梯度下降优化方法的收敛性,证明了训练后的神经网络偏微分方程解能逼近目标数据。
2025-11-19 cs.LG cs.NA math.AP
Learning-based solutions to nonlinear hyperbolic PDEs: Empirical insights on generalization errors
New York University Tandon School of Engineering(纽约大学坦登工程学院);New York University Abu Dhabi(纽约大学阿布扎比分校)
我们研究学习弱解的非线性双曲型偏微分方程(H-PDE),这是很难学习,由于其解决方案的不连续性。我们使用傅立叶神经算子($π$ -FNO)的物理信息变体来学习弱解。我们根据经验将$π$ -FNO求解器的泛化/样本外误差量化为输入复杂度的函数,即,初始条件和边界条件的分布。我们的测试结果表明,$π$ -FNO推广以及看不见的初始和边界条件。我们发现,泛化误差与输入复杂度呈线性增长。此外,添加物理信息正则化器改进了解决方案中不连续性的预测。我们使用Lighthill-Witham-Richards(LWR)交通流模型作为一个指导性的例子来说明的结果。
2023-02-16 cs.AI cs.LG
Operator Learning with Domain Decomposition for Geometry Generalization in PDE Solving
Corporate Research, Bosch (China) Investment Co., Ltd.(博世(中国)投资有限公司企业研究部)
本文提出一种基于域分解的运算学习框架,通过局部到全局的方法解决任意几何上的PDEs,提升几何泛化能力与数据效率。
2026-02-27 cs.AI cs.LG
Convergence for PDEs with an arbitrary odd order spatial derivative term
Laboratoire de Mathématiques d’Orsay, Univ. Paris-Sud, CNRS, Université Paris-Saclay(奥赛数学实验室,巴黎南大学,法国国家科学研究中心,巴黎萨克雷大学)
研究了线性偏微分方程中任意奇数阶空间导数项的有限差分θ方案收敛性,证明了初始数据光滑或不光滑时一阶或二阶收敛性。
2017-12-06 cs.NA math.NA
Estimates on the generalization error of Physics Informed Neural Networks (PINNs) for approximating PDEs
ETH Zürich(苏黎世联邦理工学院)
针对 PINNs 求解 PDE 正问题,本文建立抽象框架并利用 PDE 稳定性,给出以训练误差和样本数表示的严格泛化误差上界,且通过非线性 PDE 示例与数值实验验证。
2023-12-06 cs.LG cs.NA math.AP
Implicit Neural Solver for Time-dependent Linear PDEs with Convergence Guarantee
Technical University Munich(慕尼黑工业大学)
快速精确求解含时不定常偏微分方程是物理、工程、生物等领域的研究热点。一般来说,隐格式格式比显式格式具有更好的稳定性和正确性。现有的隐格式格式通常是迭代的,并采用一个通用的求解器,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一类偏微分方程的最佳迭代方案,在数据驱动的方式。我们通过使用深度神经网络修改现有半隐式求解器的迭代来实现这一目标。此外,我们从理论上证明,我们的方法保留了现有的迭代求解器提供的正确性和收敛性保证。我们还证明,我们的模型推广到一个不同的参数设置比在训练过程中看到的,并实现更快的收敛相比,半隐格式。
2019-11-27 cs.LG cs.NA math.NA
Convergence Guarantees for Gradient-Based Training of Neural PDE Solvers: From Linear to Nonlinear PDEs
School of Mathematical Sciences, Shanghai Jiao Tong University(上海交通大学数学科学学院);Institute of Natural Sciences, MOE-LSC, Shanghai Jiao Tong University(上海交通大学自然科学研究院,教育部计算数学重点实验室);CMA-Shanghai, Shanghai Jiao Tong University(上海交通大学上海市应用数学中心)
本文提出统一收敛理论,证明线性PDE下PINNs的全局收敛和非线性PDE下随机特征模型收敛到临界点,并揭示隐式正则化效应,实验验证了理论。
2025-10-08 cs.NA math.NA
On the convergence of physics informed neural networks for linear second-order elliptic and parabolic type PDEs
Brown University(布朗大学)
物理信息神经网络(PINN)是基于深度学习的技术,用于求解计算科学和工程中的偏微分方程(PDE)。在数据和物理定律的指导下,PINN找到了一个近似于PDE系统的神经网络。这样的神经网络是通过最小化损失函数来获得的,在该损失函数中对PDE和数据的任何先验知识进行编码。尽管它在一维、二维或三维问题上取得了显著的经验成功,但PINN几乎没有理论依据。随着数据数量的增长,PINN会生成一个对应于神经网络序列的最小化器序列。我们想回答这样一个问题:极小值序列是否收敛于偏微分方程的解?我们考虑两类偏微分方程:线性二阶椭圆型和抛物型。通过采用Schauder方法和最大值原理,证明了极小值序列强收敛于$C^0$中的PDE解.此外,我们表明,如果每个极小满足初始/边界条件,收敛模式成为$H^1$。计算的例子来说明我们的理论研究结果。据我们所知,这是第一个显示PINN一致性的理论工作。
2020-10-21 cs.LG cs.NA math.NA
Convergence of hyperbolic approximations to higher-order PDEs for smooth solutions
Technical University of Darmstadt(达姆施塔特工业大学);Johannes Gutenberg University Mainz(约翰内斯·古腾堡美因茨大学)
本文证明了高阶偏微分方程的双曲近似在存在光滑解时的收敛性,并提供了数值验证。
2026-03-05 cs.NA math.AP math.NA
Estimates on the generalization error of Physics Informed Neural Networks (PINNs) for approximating a class of inverse problems for PDEs
ETH Zürich(苏黎世联邦理工学院)
针对PDE数据同化与唯一延拓反问题,论文建立抽象框架并利用条件稳定性证明PINN泛化误差估计,辅以四类线性PDE示例和数值实验验证。
2023-12-06 cs.LG cs.NA math-ph
On convergence and convergence rates for Ivanov and Morozov regularization and application to some parameter identification problems in elliptic PDEs
Alpen-Adria-Universität Klagenfurt(阿尔卑亚德里亚克拉根福大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
本文分析了Ivanov和Morozov正则化方法的收敛性及速度,基于变分源条件证明了其收敛性,并应用于椭圆偏微分方程的参数识别问题。
2018-01-30 cs.NA math.NA
Convergence guarantees for coefficient reconstruction in PDEs from boundary measurements by variational and Newton type methods via range invariance
针对偏微分方程系数识别的不适定问题,提出通过扩展参数满足范围不变性、再用惩罚项恢复参数依赖关系的方法,证明了变分与牛顿类正则化方法的收敛性,并在典型框架与实例中验证。
2023-02-07 cs.NA math.NA
Convergence of Sparse Collocation for Functions of Countably Many Gaussian Random Variables (with Application to Elliptic PDEs)
TU Chemnitz(Chemnitz工业大学);Istituto di Matematica Applicata e Tecnologie Informatiche “E. Magenes” del CNR(CNR应用数学与信息技术研究所“E. Magenes”)
本文证明了稀疏插值对依赖于可数多个高斯随机变量的Hilbert空间值函数的收敛性,并针对椭圆偏微分方程的对数正态扩散系数解进行了应用,建立了L²收敛理论并推导了代数收敛速率。
2017-03-28 cs.NA math.NA
Global Convergence of DGM and PINN Algorithms for Solving Nonlinear PDEs
Mathematical Institute, University of Oxford(牛津大学数学研究所);Department of Mathematics and Statistics, Boston University(波士顿大学数学与统计系)
研究一类半线性偏微分方程,证明用梯度下降训练来最小化PDE残差目标函数的神经网络可收敛到PDE解,为DGM和PINN算法求解此类方程的数学基础提供了依据。
2026-09-25 cs.LG cs.NA math.NA
A diffuse interface approach for vector-valued PDEs on surfaces
通过扩散界面方法近似表面上的偏微分方程,使我们能够使用标准的数值工具来解决这些问题。这使得它成为一种有吸引力的数值方法。我们将这种方法扩展到向量值曲面偏微分方程,并探讨其收敛性。与标量值曲面偏微分方程的研究结果相反,只有满足网格步长和界面宽度之间的某种关系,才能获得最优的收敛阶。这种差异的结果,从表面几何形状和偏微分方程的矢量值的量定义在它之间的耦合增加。
2023-03-13 cs.NA math.NA
Convergence analysis of explicit stabilized integrators for parabolic semilinear stochastic PDEs
显式稳定积分器是隐式或半隐式方法的有效替代方案,以避免标准显式积分器应用于刚性扩散问题所面临的严格时间步长限制。本文给出了一类抛物型半线性确定性和随机偏微分方程的一族显式稳定化方法与有限元法耦合的全离散强收敛性分析。数值实验包括半线性随机热方程时空白噪声证实了理论研究结果。
2022-12-13 cs.NA math.NA math.PR
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
Goal-oriented adaptive finite element method for semilinear elliptic PDEs
我们制定和分析了一个面向目标的自适应有限元法(GOAFEM)的半线性椭圆型偏微分方程和线性目标泛函。该策略涉及线性化对偶问题的有限元解,其中线性化是自适应策略的一部分。示出了线性收敛和最佳代数收敛速度。
2021-12-13 cs.NA math.NA
Nonasymptotic Convergence Rate of Quasi-Monte Carlo: Applications to Linear Elliptic PDEs with Lognormal Coefficients and Importance Samplings
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);RWTH Aachen University(亚琛工业大学)
本研究通过准蒙特卡罗方法与重要性采样,改进了对具有对数正态系数的线性椭圆PDE的非渐近收敛速度分析。
2024-08-17 cs.NA math.NA
Convergence analysis of the Magnus-Rosenbrock type method for the finite element discretization of semilinear non-autonomous parabolic PDEs with nonsmooth initial data
Western Norway University of Applied Sciences(西挪威应用科学大学);University of Cape Town(开普敦大学);Technische Universität Chemnitz(开姆尼茨工业大学)
本文研究了非自治半线性抛物型PDEs在非光滑初始数据下的数值解法,提出Magnus-Rosenbrock方法,证明了该方法在空间和时间上的收敛性,且初始数据正则性影响收敛阶。
2018-09-10 cs.NA math.NA
PINNsur: Physics-Informed Neural Networks for PDEs on Curved Surfaces
University of Southern California(南加州大学);Max Planck Institute for Informatics, SIC(马克斯·普朗克计算机科学研究所);University of British Columbia(不列颠哥伦比亚大学);Technion(以色列理工学院)
提出PINNSur框架,通过训练神经场近似曲面法线并投影微分算子,实现无网格求解曲面PDE,并引入经验收敛测试研究收敛行为。
2026-05-26 cs.GR cs.NA math.NA
Generalization Error Analysis of Deep Backward Dynamic Programming for Solving Nonlinear PDEs
本研究分析深度反向动态规划求解非线性偏微分方程的泛化误差,证明拟蒙特卡洛方法比蒙特卡洛方法具有更高收敛阶,数值实验验证其更精确稳定。
2024-07-19 cs.NA math.NA
A rate of convergence of Physics Informed Neural Networks for the linear second order elliptic PDEs
近年来,物理信息神经网络(PINN)已被证明是一个强大的工具,解决偏微分方程的经验。然而,PINN的数值分析仍然缺失。在本文中,我们证明了PINNs的收敛速度为二阶椭圆型方程与Dirichlet边界条件,通过建立上界的训练样本的数量,深度和宽度的深度神经网络,以达到所需的精度。PINN的误差被分解为近似误差和统计误差,其中近似误差在具有$\mathrm{ReLU}^{3}$网络(具有激活函数$\max\{0,x^3\}$的深度网络)的$C^2$范数中给出,并且统计误差由Rademacher复杂度估计。我们得到了梯度范数的非Lipschitz合成与$\mathrm{ReLU}^{3}$网络的Rademacher复杂性的界,这是一个非常有意义的独立结果.
2022-03-16 cs.NA math.NA
A convergence framework for energy minimisation of linear self-adjoint elliptic PDEs in nonlinear approximation spaces
针对线性自伴椭圆型PDEs能量极小化问题,提出通用优化框架,支持线性与非线性参数混合优化策略,建立算法收敛性,可应用于广泛非线性逼近流形,配套论文提供满足假设的具体空间实例。
2025-08-26 cs.NA math.NA
Parareal Convergence for Oscillatory PDEs with Finite Time-scale Separation
University of Exeter(埃克塞特大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文研究了具有有限时间尺度分离的振荡PDEs的并行收敛问题,通过扩展粗传播器的误差界,证明了有限时间尺度分离下的收敛性,并提出了一种基于问题固有有限频率的平均窗口选择方法。
2017-05-26 cs.NA math.CA math.NA
Global convergence of adaptive least-squares finite element methods for nonlinear PDEs
TU Wien(维也纳科技大学)
本文提出了一种非线性偏微分方程的自适应最小二乘有限元方法,证明了其全局收敛性,并通过数值实验验证了方法的鲁棒性。
2026-02-21 cs.NA math.NA
Unconditional full linear convergence and optimal complexity of adaptive iteratively linearized FEM for nonlinear PDEs
针对强单调非线性 PDE,提出结合自适应细化、能量收缩线性化与范数收缩代数求解的 AILFEM,并以无参数停止准则实现任意参数下完整 R-线性收敛及小参数时最优复杂度。
2025-03-17 cs.NA math.NA
On the convergence of adaptive Galerkin FEM for parametric PDEs with lognormal coefficients
本文研究了具有对数正态系数的稳态扩散方程的基于残差自适应Galerkin有限元方法,通过提供准误差下降结果推进了无界系数情形的理论收敛性,并将一致有界系数的收敛性作为推论。
2024-07-26 cs.NA math.NA
A deep first-order system least squares method for solving elliptic PDEs
我们提出了一种基于深度学习的一阶系统最小二乘(FOSLS)方法,用于数值求解二阶椭圆偏微分方程。我们提出的方法是能够处理变分和非变分问题,由于其无网格的性质,它也可以处理在高维域中提出的问题。我们证明了神经网络逼近连续问题解的$Γ$ -收敛性,并将收敛性证明推广到一些著名的相关方法。最后,我们提出了几个数值例子说明我们的离散化的性能。
2022-12-14 cs.NA math.NA
Refined generalization analysis of the Deep Ritz Method and Physics-Informed Neural Networks
本文推导了Deep Ritz方法(DRM)和物理信息神经网络(PINNs)的精细化泛化界,基于局部化技术、局部Rademacher复杂度及Barron空间假设,为多种椭圆偏微分方程提供了更尖锐的泛化分析与过参数化误差讨论。
2025-06-02 cs.NA math.NA
Error analysis for physics informed neural networks (PINNs) approximating Kolmogorov PDEs
ETH Zürich(苏黎世联邦理工学院)
物理学通过最小化逐点残差来告知神经网络偏微分方程的近似解。我们推导出严格的误差界,所招致的PINNs近似的解决方案的一大类线性抛物型偏微分方程,即Kolmogorov方程,包括热方程和Black-Scholes方程的期权定价,作为例子。我们构造神经网络,其PINN残差(泛化误差)可以尽可能小。我们还证明了总的$L^2$错误可以有界的泛化误差,这反过来又是有界的训练误差,提供了足够数量的随机选择的训练(搭配)点使用。此外,我们证明了PINN的大小和训练样本的数量只与底层维度呈多项式增长,使PINN能够克服这种情况下的维数灾难。这些结果使我们能够提供一个全面的误差分析PINNs近似Kolmogorov偏微分方程。
2021-07-10 cs.LG cs.NA math.NA
Exponential Convergence for Multiscale Linear Elliptic PDEs via Adaptive Edge Basis Functions
本文提出了一种基于自适应边缘基函数的多尺度框架来求解具有粗糙系数的二阶线性椭圆偏微分方程。主要结果之一是,我们证明了所提出的多尺度方法实现了近似误差的计算自由度的指数收敛。我们的策略是执行一个能量正交分解的解决方案空间成一个粗尺度组件,包括$a$ -调和函数在每个元素的网格,和一个细尺度组件命名的气泡部分,可以本地和有效地计算。粗略比例分量完全取决于边缘上的函数值。我们在每个边缘上的近似是在狮子-Magenes空间$H_{00}^{1/2}(e)$中进行的,我们将证明这是一个自然而强大的选择。我们使用局部过采样和奇异值分解构造边缘基函数。当局部信息的右手边自适应纳入边缘基函数,我们证明了一个近似误差的指数收敛速度。数值实验验证和扩展我们的理论分析,特别是,我们没有观察到明显的退化,高对比度介质的问题的精度。
2021-04-24 cs.NA math.NA
Preconditioned accelerated gradient descent methods for locally Lipschitz smooth objectives with applications to the solution of nonlinear PDEs
我们开发的Nesterov的加速梯度下降法(AGD)的应用程序的广泛的一类偏微分方程(PDE)的近似解的理论基础。这是通过证明存在的不变集和指数收敛速度时,其预处理版本(PAGD)适用于最小化局部Lipschitz光滑,强凸目标泛函。我们引入了一个二阶常微分方程(ODE)与预条件内置,并表明PAGD是一个显式的时间离散化的常微分方程,这需要一个自然的时间步长限制的能量稳定性。在连续时间水平上,我们使用一个简单的能量参数显示指数收敛的常微分方程的解决方案,其稳定状态。在离散层次上,假设上述步长限制,不变集的存在性被证明和匹配的指数收敛速率的PAGD计划推导出通过模仿的能量参数和连续水平上的收敛。应用的PAGD方法的数值偏微分方程的某些非线性椭圆偏微分方程使用准谱方法的空间离散,并进行了几个数值实验。结果证实了全局几何和网格步长独立收敛的PAGD方法,与预条件梯度下降(PGD)方法相比,提高了加速率。
2021-02-01 cs.NA math.NA math.OC
Convergence of Substructuring Waveform Relaxation Algorithms for Hyperbolic PDEs with Time Delay
Indian Institute of Technology Bhubaneswar(印度理工学院布巴内斯瓦尔分校)
研究用于求解具时滞双曲 PDE 的两种子结构波形松弛算法(DNWR 和 NNWR),用傅里叶和拉普拉斯变换分析其稳定性、收敛性与计算效率,给出数值误差线性收敛估计等,数值实验验证有效性。
2026-07-07 cs.NA math.NA
Carleman Linearization of Parabolic PDEs: Well-posedness, convergence, and efficient numerical methods
本研究将Carleman线性化拓展至无穷维希尔伯特空间的二次非线性动力系统,证明其适定性与收敛性,分析离散化误差分解,提出用结构感知数值方法缓解维数灾难,并通过实验验证,为抛物型PDE求解提供新方法支撑。
2025-10-01 cs.NA math.NA
A combined GDM--ELLAM--MMOC scheme for advection dominated PDEs
我们提出了一种欧拉拉格朗日局部伴随方法(ELLAM)和改进的特征方法(MMOC)的时间依赖的对流主导偏微分方程的组合。组合方案,所谓的GEM方案,利用ELLAM方案(质量守恒)和MMOC方案(更容易计算)的优点,同时避免它们的缺点(分别是,难以跟踪周围的注入区域,和质量损失)。我们提出了一个精确的分析,这三个计划的质量守恒性质,并在实现全球质量平衡,调整产生局部体积守恒。数值结果为所有三个计划进行比较,说明GEM计划的优势。利用我们以前对ELLAM格式收敛性的研究,给出了MMOC格式的收敛性结果,并将其推广到GEM格式。
2021-10-13 cs.NA math.NA
Sparse polynomial approximation for optimal control problems constrained by elliptic PDEs with lognormal random coefficients
Oden Institute for Computational Engineering & Sciences, The University of Texas at Austin(德克萨斯大学奥斯汀分校奥登计算工程与科学学院);Department of Mechanical Engineering, and Department of Geological Sciences, The University of Texas at Austin(德克萨斯大学奥斯汀分校机械工程系和地质科学系)
本文研究了受具有对数正态随机系数的椭圆偏微分方程约束的最优控制问题,通过稀疏多项式近似方法对最优解进行逼近,并证明了该方法在维度上具有独立的收敛率。
2019-03-13 cs.NA math.NA
Multiscale methods with compactly supported radial basis functions for Galerkin approximation of elliptic PDEs
School of Mathematics and Statistics, University of New South Wales(新南威尔士大学数学与统计学院)
研究使用紧支撑径向基函数的多尺度伽辽金方法求解有界域上的椭圆PDE,分析了收敛性和条件数,并处理了Dirichlet边界条件及边界重叠支持问题。
2012-11-07 cs.NA math.NA
Accelerating the convergence of Newton's method for nonlinear elliptic PDEs using Fourier neural operators
针对用牛顿法求解有限差分离散的非线性椭圆PDE时初始猜测不当导致收敛困难的问题,提出用结合数据项与物理项损失的FNO构建与网格分辨率无关的解近似作为初始猜测,可大幅加速收敛,在强非线性、各向异性问题及粗网格上效果更优。
2024-10-30 cs.NA math.NA
Error analysis for finite element operator learning methods for solving parametric second-order elliptic PDEs
KAIST(韩国科学技术院);Inha University(仁荷大学);Chung-Ang University(中央大学)
本文对有限元算子网络(FEONet)求解参数化二阶椭圆型偏微分方程进行了理论误差分析,建立了收敛性结果和自伴情形的显式误差估计,并通过数值实验验证了有限元矩阵条件数对收敛性的影响。
2024-04-27 cs.LG cs.NA math.NA
Weak convergence of Galerkin approximations for fractional elliptic stochastic PDEs with spatial white noise
Chalmers University of Technology and University of Gothenburg(查尔姆斯理工大学和哥德堡大学)
本文研究了带有空间白噪声的分数椭圆随机偏微分方程解的数值近似问题,采用有限元空间离散和分数逆算子的积分表示的四次近似,推导了弱收敛率并验证了理论结果。
2018-08-09 cs.NA math.NA stat.ME
Numerical analysis of strongly nonlinear PDEs
University of Pittsburgh(匹兹堡大学);The University of Tennessee(田纳西大学);Rutgers University(罗格斯大学)
本文综述了强非线性偏微分方程数值方法的构造与分析,重点讨论凸和非凸全非线性方程及向粘性解收敛性,介绍了稳定、一致和单调方案的收敛性理论及新工具。
2016-10-25 cs.NA math.NA
Exponential Convergence of $hp$-Time-Stepping in Space-Time Discretizations of Parabolic PDEs
对于具有Lipschitz连续系数的散度型自伴时间齐次椭圆算子的线性抛物型初边值问题,以及对于多边形/多面体区域$D$中的非协调时间解析强迫项,我们证明了解的时间解析性.时间分析量化的加权,解析函数类,数据有限,低空间规律性,没有边界的兼容性。利用这一结果,我们证明指数收敛的一个符合,半离散$hp$时间步进的方法。我们结合这种半离散化的时间与一阶,所谓的“$h$版本”拉格朗日有限元与角落的空间细化成一个张量产品,符合离散化的时空配方。我们证明,在适当的角和角边网格细化的$D$,误差与自由度的时空行为的数量基本上(对数项),标准有限元提供一个椭圆边值问题解决$D$。我们专注于二维空间域和评论的一维和三维的情况下。
2022-03-22 cs.NA math.NA
A data driven heuristic for rapid convergence of Scheduled Relaxation Jacobi schemes
调度松弛雅可比(SRJ)方法是求解椭圆型偏微分方程(PDE)的一种可行的高性能线性求解器。该方法通过在算法的每个循环中应用一系列精心选择的$M$超松弛因子和欠松弛因子来有效地衰减解的误差,从而大大改善了标准Jacobi迭代的收敛性。在以前的工作中,最佳SRJ计划(套松弛因子)已被推导出加速收敛的椭圆偏微分方程的特定离散。在这项工作中,我们开发了一个家庭的SRJ计划,可以适用于解决椭圆型偏微分方程,无论具体的离散化。为了实现良好的收敛性,我们训练一种算法,根据将这些方案应用于一维泊松方程所收集的收敛数据,在线性求解过程的每个循环中选择该族中的哪种方案。自动选择启发式,是基于这一有限的数据被发现提供了良好的收敛范围广泛的问题。
2022-04-20 cs.NA math.NA
Structure-preserving Kernel-based methods for solving dissipative PDEs on surfaces
本文提出一种无网格结构保持Galerkin方法求解曲面耗散PDE,利用正定核生成逼近空间并采用平均向量场方法,通过Allen-Cahn方程验证了收敛性与结构保持性。
2024-12-18 cs.NA math.NA
On the Spatial and Temporal Order of Convergence of Hyperbolic PDEs
本文给出了双曲型偏微分方程(PDE)的全局截断误差的完整表达式。特别是,我们使用理论分析和符号代数来找到通用全局截断误差系数的精确表达式。我们的分析是有效的任何双曲型偏微分方程,无论是线性或非线性,并采用有限差分,有限体积,或有限元离散空间,并提前在时间上的预测-校正,多步,或推迟校正方法,属于直线法。此外,我们讨论了这种分析的实际意义。如果我们采用一个稳定的数值方案和整体解误差和整体截断误差的精度的顺序同意,我们作出以下渐近观察:(a)在恒定比率的$Δt$到$Δx$的收敛顺序是由空间和时间离散的顺序的最小值,和(b)收敛甚至不能保证下,只有空间或时间的细化。(a)的含义是,投资于阶数高于空间离散化的时间步进方法是不切实际的。除了(b),我们还证明了在某些情况下,误差甚至可以只在空间或时间上随着细化而单调增加,并解释了为什么会发生这种现象。为了验证我们的理论研究结果,我们进行收敛性研究的线性和非线性平流方程,使用有限差分和有限体积空间离散,预测-校正和多步时间步长方法。最后,我们研究了斜率限制器和单调性保持策略对精度阶的影响。
2022-01-08 cs.NA math.NA
A New HDG Method for Dirichlet Boundary Control of Convection Diffusion PDEs II: Low Regularity
Oklahoma State University(俄克拉荷马州立大学);Universidad de Oviedo(奥维耶多大学);Missouri University of Science and Technology(密苏里科技大学);Sichuan University(四川大学)
本文研究了对流扩散PDE的Dirichlet边界控制问题,提出了一种新的HDG方法,并在不假设领域和目标状态条件下证明了控制的最优收敛率,同时展示了数值结果以验证理论。
2018-01-03 cs.NA math.NA
Global Convergence of Deep Galerkin and PINNs Methods for Solving Partial Differential Equations
University of Oxford(牛津大学)
本文证明 Deep Galerkin 方法和 PINNs 在宽网络极限下全局收敛于偏微分方程的解,通过分析极限 ODE 中的核函数克服谱间隙挑战。
2023-05-10 cs.LG cs.NA math.NA
Analysis of an exponential integrator for stochastic PDEs driven by Riesz noise
Universite de Pau et des Pays de l’Adour, E2S UPPA(波城大学);Chalmers University of Technology and University of Gothenburg(查尔姆斯理工大学和哥德堡大学);Universitat Autònoma de Barcelona(巴塞罗那自治大学);Swedish Defence Research Agency (FOI)(瑞典国防研究局)
本文提出了一种用于处理由Riesz噪声驱动的随机PDE的显式指数积分器,并通过数值实验验证了其收敛性。
2026-02-19 cs.NA math.NA math.PR
Efficient localised model reduction for multiscale PDEs via Grassmannian interpolation
Heidelberg University(海德堡大学);RWTH Aachen University(亚琛工业大学)
本文提出基于Grassmann流形插值的局部模型降阶方法,用于高效求解多尺度参数化PDE,通过分解局部子问题并插值最优子空间,兼顾近指数空间收敛与参数收敛,数值实验验证了理论。
2026-10-07 cs.NA math.NA
Error analysis of a space-time finite element method for solving PDEs on evolving surfaces
University of Houston(休斯顿大学);RWTH-Aachen University(亚琛工业大学)
本文研究了在演化超曲面上求解抛物型偏微分方程的欧拉有限元方法,证明了该方法在能量范数下具有一阶收敛性,在弱范数下具有二阶收敛性,并推导了演化曲面上抛物型PDE解的正则性结果。
2014-04-09 cs.NA math.NA
Numerical study in stochastic homogenization for elliptic PDEs: convergence rate in the size of representative volume elements
Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克科学促进学会数学研究所);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)
本文研究了随机同质化中椭圆偏微分方程的数值方法,提出了一种高效的刚度矩阵生成方案,通过局部Kronecker乘积矩阵组装,解决了大线性方程组,并通过预条件CG迭代法实现收敛率与网格大小和系数跳跃变化无关,验证了RVE方法在随机同质化中的收敛性,并研究了同质化矩阵协方差的四次张量渐进行为。
2019-03-28 cs.NA math.NA
Multi-index Stochastic Collocation convergence rates for random PDEs with parametric regularity
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Università di Pavia(帕维亚大学);CNR-IMATI(意大利国家研究委员会应用数学研究所)
本文研究了多索引随机格点法在随机PDEs中计算解统计量的收敛速率,通过分析解在物理域和参数域的联合正则性,结合贪心优化选择混合差分,展示了该方法在无限维设置中的有效性。
2016-07-21 cs.NA math.NA