Buchumschlag

Approximating Numerical Fluxes Using Fourier Neural Operators for Hyperbolic Conservation Laws

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Taeyoung, Kang, Myungjoo
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fourier Neural Operators for Non-Markovian Processes:Approximation Theorems and Experiments
von: Lee, Wonjae, et al.
Veröffentlicht: (2025)

Neural Operators Learn the Local Physics of Magnetohydrodynamics
von: Kim, Taeyoung, et al.
Veröffentlicht: (2024)

Weak Physics Informed Neural Networks for Geometry Compatible Hyperbolic Conservation Laws on Manifolds
von: Zhou, Hanfei, et al.
Veröffentlicht: (2025)

Beyond Derivative Pathology of PINNs: Variable Splitting Strategy with Convergence Analysis
von: Park, Yesom, et al.
Veröffentlicht: (2024)

A Structure-Preserving Graph Neural Solver for Parametric Hyperbolic Conservation Laws
von: Jiang, Jiamin, et al.
Veröffentlicht: (2026)

Learning High-dimensional Ionic Model Dynamics Using Fourier Neural Operators
von: Pellegrini, Luca, et al.
Veröffentlicht: (2025)

Universal Approximation of Operators with Transformers and Neural Integral Operators
von: Zappala, Emanuele, et al.
Veröffentlicht: (2024)

The Numerical Stability of Hyperbolic Representation Learning
von: Mishne, Gal, et al.
Veröffentlicht: (2022)

Component Fourier Neural Operator for Singularly Perturbed Differential Equations
von: Li, Ye, et al.
Veröffentlicht: (2024)

Fourier Neural Operator with Learned Deformations for PDEs on General Geometries
von: Li, Zongyi, et al.
Veröffentlicht: (2022)

SPIKE: Stable Physics-Informed Kernel Evolution Method for Solving Hyperbolic Conservation Laws
von: Su, Hua, et al.
Veröffentlicht: (2025)

Harnessing the Power of Neural Operators with Automatically Encoded Conservation Laws
von: Liu, Ning, et al.
Veröffentlicht: (2023)

Beyond Regular Grids: Fourier-Based Neural Operators on Arbitrary Domains
von: Lingsch, Levi, et al.
Veröffentlicht: (2023)

Quantitative Approximation for Neural Operators in Nonlinear Parabolic Equations
von: Furuya, Takashi, et al.
Veröffentlicht: (2024)

Guaranteed Approximation Bounds for Mixed-Precision Neural Operators
von: Tu, Renbo, et al.
Veröffentlicht: (2023)

Blending Neural Operators and Relaxation Methods in PDE Numerical Solvers
von: Zhang, Enrui, et al.
Veröffentlicht: (2022)

Scalable Bayesian Inference for Nonlinear Conservation Laws
von: Weiland, Tim, et al.
Veröffentlicht: (2026)

Operator SVD with Neural Networks via Nested Low-Rank Approximation
von: Ryu, J. Jon, et al.
Veröffentlicht: (2024)

Numerical Analysis of Stabilization for Random Hyperbolic Systems of Conservation Laws
von: Chu, Shaoshuai, et al.
Veröffentlicht: (2025)

Windowed Fourier Propagator: A Frequency-Local Neural Operator for Wave Equations in Inhomogeneous Media
von: Cai, Yiyang, et al.
Veröffentlicht: (2026)

PDE Generalization of In-Context Operator Networks: A Study on 1D Scalar Nonlinear Conservation Laws
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Controlling Statistical, Discretization, and Truncation Errors in Learning Fourier Linear Operators
von: Subedi, Unique, et al.
Veröffentlicht: (2024)

A Comparative Study of Low-Dissipation Numerical Schemes for Hyperbolic Conservation Laws
von: Chu, Shaoshuai, et al.
Veröffentlicht: (2026)

Multigrade Neural Network Approximation
von: Zhang, Shijun, et al.
Veröffentlicht: (2026)

Supervised and Unsupervised Neural Network Solver for First Order Hyperbolic Nonlinear PDEs
von: Baba, Zakaria, et al.
Veröffentlicht: (2026)

Physics-embedded Fourier Neural Network for Partial Differential Equations
von: Xu, Qingsong, et al.
Veröffentlicht: (2024)

DeepRitzSplit Neural Operator for Phase-Field Models via Energy Splitting
von: Huang, Chih-Kang, et al.
Veröffentlicht: (2026)

MODNO: Multi Operator Learning With Distributed Neural Operators
von: Zhang, Zecheng
Veröffentlicht: (2024)

Solving Random Hyperbolic Conservation Laws Using Linear Programming
von: Chu, Shaoshuai, et al.
Veröffentlicht: (2025)

Continuum Attention for Neural Operators
von: Calvello, Edoardo, et al.
Veröffentlicht: (2024)

A Wave Front Tracking Scheme for Flux Reconstruction in $2\times 2$ Hyperbolic Conservation Laws
von: Duan, Chaohua, et al.
Veröffentlicht: (2025)

Enhancing Solutions for Complex PDEs: Introducing Complementary Convolution and Equivariant Attention in Fourier Neural Operators
von: Zhao, Xuanle, et al.
Veröffentlicht: (2023)

A Robust Foundation Model for Conservation Laws: Injecting Context into Flux Neural Operators via Recurrent Vision Transformers
von: Kim, Taeyoung, et al.
Veröffentlicht: (2026)

A Deep Learning Framework for Multi-Operator Learning: Architectures and Approximation Theory
von: Weihs, Adrien, et al.
Veröffentlicht: (2025)

Approximation with SiLU Networks: Constant Depth and Exponential Rates for Basic Operations
von: Ayena, Koffi O.
Veröffentlicht: (2025)

Why Rectified Power Unit Networks Fail and How to Improve It: An Effective Field Theory Perspective
von: Kim, Taeyoung, et al.
Veröffentlicht: (2024)

Error Analysis and Numerical Algorithm for PDE Approximation with Hidden-Layer Concatenated Physics Informed Neural Networks
von: Qian, Yianxia, et al.
Veröffentlicht: (2024)

Determinant Estimation under Memory Constraints and Neural Scaling Laws
von: Ameli, Siavash, et al.
Veröffentlicht: (2025)

High-Order Schemes for Hyperbolic Conservation Laws Using Young Measures
von: Chu, Shaoshuai, et al.
Veröffentlicht: (2025)

Compact Runge-Kutta Flux Reconstruction for Hyperbolic Conservation Laws with admissibility preservation
von: Babbar, Arpit, et al.
Veröffentlicht: (2025)