Buchumschlag

Scaling physics-informed hard constraints with mixture-of-experts

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chalapathi, Nithin, Du, Yiheng, Krishnapriyan, Aditi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Numerical Analysis Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale
von: Du, Yiheng, et al.
Veröffentlicht: (2025)

Neural Spectral Methods: Self-supervised learning in the spectral domain
von: Du, Yiheng, et al.
Veröffentlicht: (2023)

Learning Explicitly Conditioned Sparsifying Transforms
von: Pătraşcu, Andrei, et al.
Veröffentlicht: (2024)

Transformers Can Implement Preconditioned Richardson Iteration for In-Context Gaussian Kernel Regression
von: Yan, Mingsong, et al.
Veröffentlicht: (2026)

Geometric Data Valuation via Leverage Scores
von: Mendoza-Smith, Rodrigo
Veröffentlicht: (2025)

PRISM: Distribution-free Adaptive Computation of Matrix Functions for Accelerating Neural Network Training
von: Yang, Shenghao, et al.
Veröffentlicht: (2026)

Muon is Not That Special: Random or Inverted Spectra Work Just as Well
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2026)

Min-Max Optimisation for Nonconvex-Nonconcave Functions Using a Random Zeroth-Order Extragradient Algorithm
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2025)

Parametrizing Convex Sets Using Sublinear Neural Networks
von: Martinet, Eloi
Veröffentlicht: (2026)

Curvature-Aware Optimization for High-Accuracy Physics-Informed Neural Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2026)

Minimisation of Quasar-Convex Functions Using Random Zeroth-Order Oracles
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2025)

A Single-Loop Gradient Descent and Perturbed Ascent Algorithm for Nonconvex Functional Constrained Optimization
von: Lu, Songtao
Veröffentlicht: (2022)

Examining Policy Entropy of Reinforcement Learning Agents for Personalization Tasks
von: Dereventsov, Anton, et al.
Veröffentlicht: (2022)

A second-order method landing on the Stiefel manifold via Newton$\unicode{x2013}$Schulz iteration
von: Xiong, Xinhui, et al.
Veröffentlicht: (2026)

Maximum Principle of Optimal Probability Density Control
von: Gaby, Nathan, et al.
Veröffentlicht: (2025)

Universal Approximation of Nonlinear Operators and Their Derivatives
von: de Feo, Filippo
Veröffentlicht: (2026)

First-order methods for stochastic and finite-sum convex optimization with deterministic constraints
von: Lu, Zhaosong, et al.
Veröffentlicht: (2025)

PowerStep: Memory-Efficient Adaptive Optimization via $\ell_p$-Norm Steepest Descent
von: Lu, Yao, et al.
Veröffentlicht: (2026)

Accuracy of Discretely Sampled Stochastic Policies in Continuous-time Reinforcement Learning
von: Jia, Yanwei, et al.
Veröffentlicht: (2025)

Efficient Algorithms for Regularized Nonnegative Scale-invariant Low-rank Approximation Models
von: Cohen, Jeremy E., et al.
Veröffentlicht: (2024)

ANaGRAM: A Natural Gradient Relative to Adapted Model for efficient PINNs learning
von: Schwencke, Nilo, et al.
Veröffentlicht: (2024)

On the Width Scaling of Neural Optimizers Under Matrix Operator Norms I: Row/Column Normalization and Hyperparameter Transfer
von: Xu, Ruihan, et al.
Veröffentlicht: (2026)

Properties of Fixed Points of Generalised Extra Gradient Methods Applied to Min-Max Problems
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2025)

Introduction to optimization methods for training SciML models
von: Kopaničáková, Alena, et al.
Veröffentlicht: (2026)

Practical Topics in Optimization
von: Lu, Jun
Veröffentlicht: (2025)

Designing MacPherson Suspension Architectures using Bayesian Optimization
von: Thomas, Sinnu Susan, et al.
Veröffentlicht: (2022)

Online Statistical Inference of Constrained Stochastic Optimization via Random Scaling
von: Du, Xinchen, et al.
Veröffentlicht: (2025)

Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm
von: Shahab, Muhammad Luthfi, et al.
Veröffentlicht: (2026)

Learning rate adaptive stochastic gradient descent optimization methods: numerical simulations for deep learning methods for partial differential equations and convergence analyses
von: Dereich, Steffen, et al.
Veröffentlicht: (2024)

On the numerical reliability of nonsmooth autodiff: a MaxPool case study
von: Boustany, Ryan
Veröffentlicht: (2024)

A Gauss-Newton Approach for Min-Max Optimization in Generative Adversarial Networks
von: Mishra, Neel, et al.
Veröffentlicht: (2024)

Subhomogeneous Deep Equilibrium Models
von: Sittoni, Pietro, et al.
Veröffentlicht: (2024)

Flattened one-bit stochastic gradient descent: compressed distributed optimization with controlled variance
von: Stollenwerk, Alexander, et al.
Veröffentlicht: (2024)

Efficient Trajectory Inference in Wasserstein Space Using Consecutive Averaging
von: Banerjee, Amartya, et al.
Veröffentlicht: (2024)

Anderson Acceleration in Nonsmooth Problems: Local Convergence via Active Manifold Identification
von: Li, Kexin, et al.
Veröffentlicht: (2024)

KANtrol: A Physics-Informed Kolmogorov-Arnold Network Framework for Solving Multi-Dimensional and Fractional Optimal Control Problems
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Real-time optimal control of high-dimensional parametrized systems by deep learning-based reduced order models
von: Tomasetto, Matteo, et al.
Veröffentlicht: (2024)

Cubic regularized subspace Newton for non-convex optimization
von: Zhao, Jim, et al.
Veröffentlicht: (2024)

Towards Quantifying the Preconditioning Effect of Adam
von: Das, Rudrajit, et al.
Veröffentlicht: (2024)

Super Gradient Descent: Global Optimization requires Global Gradient
von: Achour, Seifeddine
Veröffentlicht: (2024)