Buchumschlag

Neural Ordinary Differential Equations for Model Order Reduction of Stiff Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Caldana, Matteo, Hesthaven, Jan S.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Numerical Analysis 65L99, 68T07
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Neural Network Element Method for Partial Differential Equations
von: Wang, Yifan, et al.
Veröffentlicht: (2025)

A Structure-Preserving Framework for Solving Parabolic Partial Differential Equations with Neural Networks
von: Chen, Gaohang, et al.
Veröffentlicht: (2025)

Solving High Dimensional Partial Differential Equations Using Tensor Neural Network and A Posteriori Error Estimators
von: Wang, Yifan, et al.
Veröffentlicht: (2023)

Regularity Analysis and Tensor Neural Network Methods for Quasiperiodic Elliptic Equations
von: Ren, Jingze, et al.
Veröffentlicht: (2026)

Neural Ordinary Differential Equations for Model Order Reduction of Stiff Systems
von: Matteo Caldana, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks: A Didactic Derivation of the Complete Training Cycle
von: Tahimi, Abdeladhim
Veröffentlicht: (2026)

The structural method for Ordinary Differential Equations
von: Clain, S., et al.
Veröffentlicht: (2025)

Machine Learning-based quadratic closures for non-intrusive Reduced Order Models
von: Codega, Gabriele, et al.
Veröffentlicht: (2025)

Coupling-Robust Accuracy in Multiphysics Physics Informed Neural Networks via Kronecker-Preconditioned Optimization
von: Park, Youngjae, et al.
Veröffentlicht: (2026)

Neural-HSS: Hierarchical Semi-Separable Neural PDE Solver
von: Sittoni, Pietro, et al.
Veröffentlicht: (2026)

Capturing Shock Waves by Relaxation Neural Networks
von: Zhou, Nan, et al.
Veröffentlicht: (2024)

Stratified Sampling Algorithms for Machine Learning Methods in Solving Two-scale Partial Differential Equations
von: Avilés, Eddel Elí Ojeda, et al.
Veröffentlicht: (2024)

The lowest-order Neural Approximated Virtual Element Method on polygonal elements
von: Berrone, Stefano, et al.
Veröffentlicht: (2024)

How Can Deep Neural Networks Fail Even With Global Optima?
von: Guan, Qingguang
Veröffentlicht: (2024)

Enforcing boundary conditions for physics-informed neural operators
von: Göschel, Niklas, et al.
Veröffentlicht: (2025)

Estimating the Distribution of Parameters in Differential Equations with Repeated Cross-Sectional Data
von: Jo, Hyeontae, et al.
Veröffentlicht: (2024)

Neural network Approximations for Reaction-Diffusion Equations -- Homogeneous Neumann Boundary Conditions and Long-time Integrations
von: Avilés, Eddel Elí Ojeda, et al.
Veröffentlicht: (2024)

Double-activation neural network for solving parabolic equations with time delay
von: Huang, Qiumei, et al.
Veröffentlicht: (2024)

Vanilla Feedforward Neural Networks as a Discretization of Dynamical Systems
von: Duan, Yifei, et al.
Veröffentlicht: (2022)

Reduced Order Modeling of Partial Differential Equations on Parameter-Dependent Domains Using Deep Neural Networks
von: Bukač, Martina, et al.
Veröffentlicht: (2024)

ARDO: A Weak Formulation Deep Neural Network Method for Elliptic and Parabolic PDEs Based on Random Differences of Test Functions
von: Cai, Wei, et al.
Veröffentlicht: (2025)

Analysis for Implicit and Implicit-Explicit ADER and DeC Methods for Ordinary Differential Equations, Advection-Diffusion and Advection-Dispersion Equations
von: Öffner, Philipp, et al.
Veröffentlicht: (2024)

Error bounds for Physics Informed Neural Networks in Nonlinear Schrödinger equations placed on unbounded domains
von: Alejo, Miguel Á., et al.
Veröffentlicht: (2024)

A physics-informed neural network method for the approximation of slow invariant manifolds for the general class of stiff systems of ODEs
von: Patsatzis, Dimitrios G., et al.
Veröffentlicht: (2024)

RONOM: Reduced-Order Neural Operator Modeling
von: Dummer, Sven, et al.
Veröffentlicht: (2025)

Data-driven computation for periodic stochastic differential equations
von: Li, Yao, et al.
Veröffentlicht: (2025)

MAGNET: an open-source library for mesh agglomeration by Graph Neural Networks
von: Antonietti, Paola F., et al.
Veröffentlicht: (2025)

Subspace method based on neural networks for eigenvalue problems
von: Dai, Xiaoying, et al.
Veröffentlicht: (2024)

Hypernetwork-Conditioned WENO5 Conservative-Form CNNs for One-Dimensional Conservation Laws
von: Chen, Yongsheng, et al.
Veröffentlicht: (2026)

Discovering Artificial Viscosity Models for Discontinuous Galerkin Approximation of Conservation Laws using Physics-Informed Machine Learning
von: Caldana, Matteo, et al.
Veröffentlicht: (2024)

Development and Analysis of Chien-Physics-Informed Neural Networks for Singular Perturbation Problems
von: Singh, Gautam, et al.
Veröffentlicht: (2025)

Optimal Prediction of Stiff Oscillatory Mechanics
von: Kast, Anton
Veröffentlicht: (2000)

Minimum Width of Leaky-ReLU Neural Networks for Uniform Universal Approximation
von: Li, Li'ang, et al.
Veröffentlicht: (2023)

Learn and Verify: A Framework for Rigorous Verification of Physics-Informed Neural Networks
von: Tanaka, Kazuaki, et al.
Veröffentlicht: (2026)

Data-Driven Reduced-Order Models for Port-Hamiltonian Systems with Operator Inference
von: Geng, Yuwei, et al.
Veröffentlicht: (2025)

Enhancing Future Prediction of Linear and Nonlinear Reduced-Order Models for Transport-Dominated Problems Using Lagrangian Data
von: Li, Meng, et al.
Veröffentlicht: (2026)

Solving the Fisher nonlinear differential equations via Physics-Informed Neural Networks: A Comprehensive Retraining Study and Comparative Analysis with the Finite Difference Method
von: Aberqi, Ahmed, et al.
Veröffentlicht: (2026)

Deep asymptotic expansion method for solving singularly perturbed time-dependent reaction-advection-diffusion equations
von: Zhu, Qiao, et al.
Veröffentlicht: (2025)

All Equalities Are Equal, but Some Are More Equal Than Others: The Effect of Implementation Aliasing on the Numerical Solution to Conservation Equations
von: Trojak, Will, et al.
Veröffentlicht: (2019)

Accuracy and stability of Artificial Neural Networks for HP-Splines frequency parameter selection
von: Bruni, Vittoria, et al.
Veröffentlicht: (2026)