Buchumschlag

Constrained or Unconstrained? Neural-Network-Based Equation Discovery from Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Norman, Grant, Wentz, Jacqueline, Kolla, Hemanth, Maute, Kurt, Doostan, Alireza
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Gradient Flow: Using Equation Discovery to Accelerate Engineering Optimization
von: Norman, Grant, et al.
Veröffentlicht: (2026)

Solving engineering eigenvalue problems with neural networks using the Rayleigh quotient
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

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

Ensemble WSINDy for Data Driven Discovery of Governing Equations from Laser-based Full-field Measurements
von: Schmid, Abigail C., et al.
Veröffentlicht: (2024)

Solving Engineering Eigenvalue Problems With Neural Networks Using the Rayleigh Quotient
von: Conor Rowan, et al.
Veröffentlicht: (2025)

In Situ Training of Implicit Neural Compressors for Scientific Simulations via Sketch-Based Regularization
von: Simpson, Cooper, et al.
Veröffentlicht: (2025)

Bi-fidelity Variational Auto-encoder for Uncertainty Quantification
von: Cheng, Nuojin, et al.
Veröffentlicht: (2023)

QuadConv: Quadrature-Based Convolutions with Applications to Non-Uniform PDE Data Compression
von: Doherty, Kevin, et al.
Veröffentlicht: (2022)

Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks
von: Katende, Ronald
Veröffentlicht: (2025)

Physics-informed solution reconstruction in elasticity and heat transfer using the explicit constraint force method
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations
von: Zhou, Wei, et al.
Veröffentlicht: (2024)

Efficient Computation of Tucker Decomposition for Streaming Scientific Data Compression
von: De, Saibal, et al.
Veröffentlicht: (2023)

A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Data-Driven Self-Supervised Learning for the Discovery of Solution Singularity for Partial Differential Equations
von: Cai, Difeng, et al.
Veröffentlicht: (2025)

Randomized Functional Sparse Tucker Tensor for Compression and Fast Visualization of Scientific Data
von: Rai, Prashant, et al.
Veröffentlicht: (2019)

Deep Neural Network Solutions for Oscillatory Fredholm Integral Equations
von: Jiang, Jie, et al.
Veröffentlicht: (2024)

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

Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation
von: Guan, Jiajing, et al.
Veröffentlicht: (2024)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)

Automatic Differentiation is Essential in Training Neural Networks for Solving Differential Equations
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Randomized Neural Networks for Partial Differential Equation on Static and Evolving Surfaces
von: Sun, Jingbo, et al.
Veröffentlicht: (2026)

Random Neural Network Expressivity for Non-Linear Partial Differential Equations
von: Mehmood, Muhammed Ali, et al.
Veröffentlicht: (2026)

Randomized Neural Networks for Integro-Differential Equations with Application to Neutron Transport
von: Dang, Haoning, et al.
Veröffentlicht: (2026)

First-order PDES for Graph Neural Networks: Advection And Burgers Equation Models
von: Qu, Yifan, et al.
Veröffentlicht: (2024)

A Neural Network for the Identical Kuramoto Equation: Architectural Considerations and Performance Evaluation
von: Panigrahi, Nishantak, et al.
Veröffentlicht: (2025)

fKAN: Fractional Kolmogorov-Arnold Networks with trainable Jacobi basis functions
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations
von: Andre-Sloan, Sebastien, et al.
Veröffentlicht: (2026)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

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

Solving Poisson Equations using Neural Walk-on-Spheres
von: Nam, Hong Chul, et al.
Veröffentlicht: (2024)

HAMLET: Graph Transformer Neural Operator for Partial Differential Equations
von: Bryutkin, Andrey, et al.
Veröffentlicht: (2024)

Long-time Integration of Nonlinear Wave Equations with Neural Operators
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

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

Applying Convolutional Neural Networks to Data on Unstructured Meshes with Space-Filling Curves
von: Heaney, Claire E., et al.
Veröffentlicht: (2020)

Chebyshev Spectral Neural Networks for Solving Partial Differential Equations
von: Yin, Pengsong, et al.
Veröffentlicht: (2024)

Structure-preserving Randomized Neural Networks for Incompressible Magnetohydrodynamics Equations
von: Li, Yunlong, et al.
Veröffentlicht: (2026)

Online randomized interpolative decomposition with a posteriori error estimator for temporal PDE data reduction
von: Li, Angran, et al.
Veröffentlicht: (2024)

Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations
von: Bruna, Joan, et al.
Veröffentlicht: (2022)

Data-Parallel Neural Network Training via Nonlinearly Preconditioned Trust-Region Method
von: Alegría, Samuel A. Cruz, et al.
Veröffentlicht: (2025)