Buchumschlag

TGPT-PINN: Nonlinear model reduction with transformed GPT-PINNs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Yanlai, Ji, Yajie, Narayan, Akil, Xu, Zhenli
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

Derivative-informed Graph Convolutional Autoencoder with Phase Classification for the Lifshitz-Petrich Model
von: Chen, Yanlai, et al.
Veröffentlicht: (2025)

EGPT-PINN: Entropy-enhanced Generative Pre-Trained Physics Informed Neural Networks for parameterized nonlinear conservation laws
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

Greedy Rational Approximation for Frequency-Domain Model Reduction of Parametric LTI Systems
von: Bělík, Filip, et al.
Veröffentlicht: (2025)

Hybrid least squares for learning functions from highly noisy data
von: Adcock, Ben, et al.
Veröffentlicht: (2025)

Nonlinear energy-preserving model reduction with lifting transformations that quadratize the energy
von: Sharma, Harsh, et al.
Veröffentlicht: (2025)

KD-PINN: Knowledge-Distilled PINNs for ultra-low-latency real-time neural PDE solvers
von: Bounja, Karim, et al.
Veröffentlicht: (2025)

S$^2$GPT-PINNs: Sparse and Small models for PDEs
von: Ji, Yajie, et al.
Veröffentlicht: (2025)

One-Shot Transfer Learning for Nonlinear PDEs with Perturbative PINNs
von: Auroy, Samuel, et al.
Veröffentlicht: (2025)

Nonlinear model reduction for operator learning
von: Eivazi, Hamidreza, et al.
Veröffentlicht: (2024)

ReBaNO: Reduced Basis Neural Operator Mitigating Generalization Gaps and Achieving Discretization Invariance
von: Zheng, Haolan, et al.
Veröffentlicht: (2025)

RL-PINNs: Reinforcement Learning-Driven Adaptive Sampling for Efficient Training of PINNs
von: Song, Zhenao
Veröffentlicht: (2025)

Kernel Neural Operators (KNOs) for Scalable, Memory-efficient, Geometrically-flexible Operator Learning
von: Lowery, Matthew, et al.
Veröffentlicht: (2024)

Integral regularization PINNs for evolution equations
von: Feng, Xiaodong, et al.
Veröffentlicht: (2025)

Nonlinear model reduction for transport-dominated problems
von: Hesthaven, Jan S., et al.
Veröffentlicht: (2026)

Understanding the Difficulty of Solving Cauchy Problems with PINNs
von: Wang, Tao, et al.
Veröffentlicht: (2024)

Auto-Adaptive PINNs with Applications to Phase Transitions
von: Buck, Kevin, et al.
Veröffentlicht: (2025)

Scaling Laws and Pathologies of Single-Layer PINNs: Network Width and PDE Nonlinearity
von: Chaudhry, Faris
Veröffentlicht: (2026)

Accelerating Fractional PINNs using Operational Matrices of Derivative
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

E-PINNs: Epistemic Physics-Informed Neural Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2025)

Multi-Preconditioned LBFGS for Training Finite-Basis PINNs
von: Salvadó-Benasco, Marc, et al.
Veröffentlicht: (2026)

Physics-informed neural networks (PINNs) for numerical model error approximation and superresolution
von: Zhuang, Bozhou, et al.
Veröffentlicht: (2024)

Using Parametric PINNs for Predicting Internal and External Turbulent Flows
von: Ghosh, Shinjan, et al.
Veröffentlicht: (2024)

Adversarial Adaptive Sampling: Unify PINN and Optimal Transport for the Approximation of PDEs
von: Tang, Kejun, et al.
Veröffentlicht: (2023)

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

High precision PINNs in unbounded domains: application to singularity formulation in PDEs
von: Wang, Yixuan, et al.
Veröffentlicht: (2025)

Deflation-PINNs: Learning Multiple Solutions for PDEs and Landau-de Gennes
von: Disarò, Sean, et al.
Veröffentlicht: (2026)

Accelerating Natural Gradient Descent for PINNs with Randomized Numerical Linear Algebra
von: Bioli, Ivan, et al.
Veröffentlicht: (2025)

PINNsFailureRegion Localization and Refinement through White-box AdversarialAttack
von: Shi, Shengzhu, et al.
Veröffentlicht: (2023)

Certified machine learning: Rigorous a posteriori error bounds for PDE defined PINNs
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2022)

Boundary condition enforcement with PINNs: a comparative study and verification on 3D geometries
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

Stochastic Dimension Implicit Functional Projections for Exact Integral Conservation in High-Dimensional PINNs
von: Liang, Zhangyong
Veröffentlicht: (2026)

PINNs error estimates for nonlinear equations in $\mathbb{R}$-smooth Banach spaces
von: Gao, Jiexing, et al.
Veröffentlicht: (2023)

SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition
von: Gao, Yihang, et al.
Veröffentlicht: (2022)

Entropy stable reduced order modeling of nonlinear conservation laws using discontinuous Galerkin methods
von: Qu, Ray, et al.
Veröffentlicht: (2025)

Investigating the Ability of PINNs To Solve Burgers' PDE Near Finite-Time BlowUp
von: Kumar, Dibyakanti, et al.
Veröffentlicht: (2023)

Geometry-aware PINNs for Turbulent Flow Prediction
von: Ghosh, Shinjan, et al.
Veröffentlicht: (2024)

Leveraging time and parameters for nonlinear model reduction methods
von: Glas, Silke, et al.
Veröffentlicht: (2025)

Nonlinear Model Order Reduction on Quadratic Manifolds via Greedy Algorithms with Dimension-Dependent Regularization
von: Ji, Lijie, et al.
Veröffentlicht: (2026)

Improving PINNs By Algebraic Inclusion of Boundary and Initial Conditions
von: Ren, Mohan, et al.
Veröffentlicht: (2024)

VS-PINN: A fast and efficient training of physics-informed neural networks using variable-scaling methods for solving PDEs with stiff behavior
von: Ko, Seungchan, et al.
Veröffentlicht: (2024)