Buchumschlag

Solving Poisson Equations using Neural Walk-on-Spheres

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nam, Hong Chul, Berner, Julius, Anandkumar, Anima
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

Decoupled Diffusion Sampling for Inverse Problems on Function Spaces
von: Lin, Thomas Y. L., et al.
Veröffentlicht: (2026)

Neural Operators with Localized Integral and Differential Kernels
von: Liu-Schiaffini, Miguel, et al.
Veröffentlicht: (2024)

Operator Learning Using Weak Supervision from Walk-on-Spheres
von: Viswanath, Hrishikesh, et al.
Veröffentlicht: (2026)

Guided Diffusion Sampling on Function Spaces with Applications to PDEs
von: Yao, Jiachen, et al.
Veröffentlicht: (2025)

Principled Approaches for Extending Neural Architectures to Function Spaces for Operator Learning
von: Berner, Julius, et al.
Veröffentlicht: (2025)

DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training
von: Hao, Zhongkai, et al.
Veröffentlicht: (2024)

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

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

Neural Operator: Learning Maps Between Function Spaces
von: Kovachki, Nikola, et al.
Veröffentlicht: (2021)

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

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

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

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

Equivariant Graph Neural Operator for Modeling 3D Dynamics
von: Xu, Minkai, et al.
Veröffentlicht: (2024)

Neural Quantum Spectral Operator Learning for Solving Partial Differential Equations
von: Kim, Chanyoung, et al.
Veröffentlicht: (2026)

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

Deep Parallel Spectral Neural Operators for Solving Partial Differential Equations with Enhanced Low-Frequency Learning Capability
von: Ma, Qinglong, et al.
Veröffentlicht: (2024)

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

Solving Partial Differential Equations with Random Feature Models
von: Liao, Chunyang
Veröffentlicht: (2024)

Solving Forward and Inverse Problems of Contact Mechanics using Physics-Informed Neural Networks
von: Sahin, T., et al.
Veröffentlicht: (2023)

Finite Expression Method for Solving High-Dimensional Partial Differential Equations
von: Liang, Senwei, et al.
Veröffentlicht: (2022)

Quantum-Classical Physics-Informed Neural Networks for Solving Reservoir Seepage Equations
von: Rao, Xiang, et al.
Veröffentlicht: (2025)

DeepONet for Solving Nonlinear Partial Differential Equations with Physics-Informed Training
von: Yang, Yahong
Veröffentlicht: (2024)

Solving High-Dimensional Partial Integral Differential Equations: The Finite Expression Method
von: Hardwick, Gareth, et al.
Veröffentlicht: (2024)

Accelerating Conjugate Gradient Solvers for Homogenization Problems with Unitary Neural Operators
von: Herb, Julius, et al.
Veröffentlicht: (2025)

A Probabilistic Framework for Solving High-Frequency Helmholtz Equations via Diffusion Models
von: Zou, Yicheng, et al.
Veröffentlicht: (2026)

Latent Neural Operator Pretraining for Solving Time-Dependent PDEs
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Latent Neural Operator for Solving Forward and Inverse PDE Problems
von: Wang, Tian, et al.
Veröffentlicht: (2024)

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

FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
von: Ye, Zaijun, et al.
Veröffentlicht: (2024)

A Gaussian Process Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations
von: Mora, Carlos, et al.
Veröffentlicht: (2024)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

Solving and learning advective multiscale Darcian dynamics with the Neural Basis Method
von: Wang, Yuhe, et al.
Veröffentlicht: (2026)

TINNs: Time-Induced Neural Networks for Solving Time-Dependent PDEs
von: Dai, Chen-Yang, et al.
Veröffentlicht: (2026)

Separable Physics-informed Neural Networks for Solving the BGK Model of the Boltzmann Equation
von: Oh, Jaemin, et al.
Veröffentlicht: (2024)

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

Solving the Wide-band Inverse Scattering Problem via Equivariant Neural Networks
von: Zhang, Borong, et al.
Veröffentlicht: (2022)

Solving the 2D Advection-Diffusion Equation using Fixed-Depth Symbolic Regression and Symbolic Differentiation without Expression Trees
von: Finkelstein, Edward
Veröffentlicht: (2024)

Integral Operator Approaches for Scattered Data Fitting on Spheres
von: Lin, Shao-Bo
Veröffentlicht: (2024)

Condition Numbers and Eigenvalue Spectra of Shallow Networks on Spheres
von: Liu, Xinliang, et al.
Veröffentlicht: (2025)