Buchumschlag

Randomized Physics-Informed Neural Networks for Bayesian Data Assimilation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zong, Yifei, Barajas-Solano, David, Tartakovsky, Alexandre M.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mathematics of Digital Twins and Transfer Learning for PDE Models
von: Zong, Yifei, et al.
Veröffentlicht: (2025)

Statistical Learning Analysis of Physics-Informed Neural Networks
von: Barajas-Solano, David A.
Veröffentlicht: (2026)

Solving High-dimensional Inverse Problems Using Amortized Likelihood-free Inference with Noisy and Incomplete Data
von: Zeng, Jice, et al.
Veröffentlicht: (2024)

VAE-DNN: Energy-Efficient Trainable-by-Parts Surrogate Model For Parametric Partial Differential Equations
von: Zong, Yifei, et al.
Veröffentlicht: (2025)

Transfer Learning on Multi-Dimensional Data: A Novel Approach to Neural Network-Based Surrogate Modeling
von: Propp, Adrienne M., et al.
Veröffentlicht: (2024)

Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models
von: Wang, Yuanzhe, et al.
Veröffentlicht: (2024)

Neural Incremental Data Assimilation
von: Blanke, Matthieu, et al.
Veröffentlicht: (2024)

Variational Encoder-Decoders for Learning Latent Representations of Physical Systems
von: Venkatasubramanian, Subashree, et al.
Veröffentlicht: (2024)

Bayesian Reasoning for Physics Informed Neural Networks
von: Graczyk, Krzysztof M., et al.
Veröffentlicht: (2023)

Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics
von: Ramirez, Ibai, et al.
Veröffentlicht: (2025)

Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge
von: Bu, Dohyun, et al.
Veröffentlicht: (2026)

Learning Hamiltonian Dynamics with Bayesian Data Assimilation
von: Kim, Taehyeun, et al.
Veröffentlicht: (2025)

Bayesian Physics Informed Neural Networks for Linear Inverse problems
von: Mohammad-Djafari, Ali
Veröffentlicht: (2025)

Data vs. Physics: The Apparent Pareto Front of Physics-Informed Neural Networks
von: Rohrhofer, Franz M., et al.
Veröffentlicht: (2021)

$Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation
von: Glyn-Davies, Alex, et al.
Veröffentlicht: (2022)

Towards Scalable Bayesian Optimization via Gradient-Informed Bayesian Neural Networks
von: Makrygiorgos, Georgios, et al.
Veröffentlicht: (2025)

Data Subsampling for Bayesian Neural Networks
von: Kawasaki, Eiji, et al.
Veröffentlicht: (2022)

Generative AI-enhanced Probabilistic Multi-Fidelity Surrogate Modeling Via Transfer Learning
von: Zeng, Jice, et al.
Veröffentlicht: (2026)

Causality and Bayesian network PDEs for multiscale representations of porous media
von: Um, Kimoon, et al.
Veröffentlicht: (2019)

Conformalized Physics-Informed Neural Networks
von: Podina, Lena, et al.
Veröffentlicht: (2024)

Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
von: Zhao, Yuxuan, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data
von: Velioglu, Mehmet, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Prediction of Lung Tumor Growth from Sparse Longitudinal CT Data via Bayesian Physics-Informed Neural Networks
von: Kong, Lingfei, et al.
Veröffentlicht: (2026)

On the Role of Consistency Between Physics and Data in Physics-Informed Neural Networks
von: Becerra-Zuniga, Nicolás, et al.
Veröffentlicht: (2026)

Bayesian Physics-Informed Neural Networks for Inverse Problems (BPINN-IP): Application in Infrared Image Processing
von: Mohammad-Djafari, Ali, et al.
Veröffentlicht: (2025)

Jacobian-Enforced Neural Networks (JENN) for Improved Data Assimilation Consistency in Dynamical Models
von: Tian, Xiaoxu
Veröffentlicht: (2024)

FNP: Fourier Neural Processes for Arbitrary-Resolution Data Assimilation
von: Chen, Kun, et al.
Veröffentlicht: (2024)

Randomized Geometric Algebra Methods for Convex Neural Networks
von: Wang, Yifei, et al.
Veröffentlicht: (2024)

Deep Bayesian Filter for Bayes-faithful Data Assimilation
von: Tarumi, Yuta, et al.
Veröffentlicht: (2024)

$PINN - a Domain Decomposition Method for Bayesian Physics-Informed Neural Networks
von: Figueres, Júlia Vicens, et al.
Veröffentlicht: (2025)

Neural Dynamics-Informed Pre-trained Framework for Personalized Brain Functional Network Construction
von: Jiang, Hongjie, et al.
Veröffentlicht: (2026)

Singular Bayesian Neural Networks
von: Toure, Mame Diarra, et al.
Veröffentlicht: (2026)

Meta-Learning Fourier Neural Operators for Hessian Inversion and Enhanced Variational Data Assimilation
von: Moazzami, Hamidreza, et al.
Veröffentlicht: (2025)

Guaranteeing Conservation Laws with Projection in Physics-Informed Neural Networks
von: Baez, Anthony, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Hard Nonlinear Equality and Inequality Constraints
von: Iftakher, Ashfaq, et al.
Veröffentlicht: (2025)

Scalable Bayesian Physics-Informed Kolmogorov-Arnold Networks
von: Gao, Zhiwei, et al.
Veröffentlicht: (2025)

Preconditioning for Physics-Informed Neural Networks
von: Liu, Songming, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Extensions
von: Raissi, Maziar, et al.
Veröffentlicht: (2024)

Complex Physics-Informed Neural Network
von: Si, Chenhao, et al.
Veröffentlicht: (2025)

Topological Approach for Data Assimilation
von: Chumley, Max M., et al.
Veröffentlicht: (2024)