Buchumschlag

Fredholm Integral Equations Neural Operator (FIE-NO) for Data-Driven Boundary Value Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jiang, Haoyang, Qu, Yongzhi
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

Transfer Operator Learning with Fusion Frame
von: Jiang, Haoyang, et al.
Veröffentlicht: (2024)

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

Learning Contractive Integral Operators with Fredholm Integral Neural Operators
von: Georgiou, Kyriakos C., et al.
Veröffentlicht: (2026)

Solving Partial Differential Equations in Different Domains by Operator Learning method Based on Boundary Integral Equations
von: Meng, Bin, et al.
Veröffentlicht: (2024)

Neural Integral Operators for Inverse Problems: An Operator-Learning Framework for Small-Sample Spectroscopic Classification
von: Zappala, Emanuele, et al.
Veröffentlicht: (2025)

Muti-Fidelity Prediction and Uncertainty Quantification with Laplace Neural Operators for Parametric Partial Differential Equations
von: Zheng, Haoyang, et al.
Veröffentlicht: (2025)

A Boundary Integral-based Neural Operator for Mesh Deformation
von: Wu, Zhengyu, et al.
Veröffentlicht: (2026)

Physics-Informed Boundary Integral Networks (PIBI-Nets): A Data-Driven Approach for Solving Partial Differential Equations
von: Nagy-Huber, Monika, et al.
Veröffentlicht: (2023)

Neural Integral Equations
von: Zappala, Emanuele, et al.
Veröffentlicht: (2022)

Universal Approximation of Operators with Transformers and Neural Integral Operators
von: Zappala, Emanuele, et al.
Veröffentlicht: (2024)

Reconstruction and Prediction of Volterra Integral Equations Driven by Gaussian Noise
von: Xu, Zhihao, et al.
Veröffentlicht: (2025)

A Hybrid Kernel-Free Boundary Integral Method with Operator Learning for Solving Parametric Partial Differential Equations In Complex Domains
von: Ling, Shuo, et al.
Veröffentlicht: (2024)

PVD-ONet: A Multi-scale Neural Operator Method for Singularly Perturbed Boundary Layer Problems
von: Sun, Tiantian, et al.
Veröffentlicht: (2025)

Machine Learning Based Optimization Workflow for Tuning Numerical Settings of Differential Equation Solvers for Boundary Value Problems
von: Victor, Viny Saajan, et al.
Veröffentlicht: (2024)

Research and Implementation of Data Enhancement Techniques for Graph Neural Networks
von: Gu, Jingzhao, et al.
Veröffentlicht: (2024)

Spectral methods for Neural Integral Equations
von: Zappala, Emanuele
Veröffentlicht: (2023)

BENO: Boundary-embedded Neural Operators for Elliptic PDEs
von: Wang, Haixin, et al.
Veröffentlicht: (2024)

N-Adaptive Ritz Method: A Neural Network Enriched Partition of Unity for Boundary Value Problems
von: Baek, Jonghyuk, et al.
Veröffentlicht: (2024)

Diffeomorphic Latent Neural Operators for Data-Efficient Learning of Solutions to Partial Differential Equations
von: Ahmad, Zan, et al.
Veröffentlicht: (2024)

Toward Data-Driven Surrogates of the Solar Wind with Spherical Fourier Neural Operator
von: Mansouri, Reza, et al.
Veröffentlicht: (2025)

THEIA: Learning Complete Kleene Three-Valued Logic in a Pure-Neural Modular Architecture
von: Li, Augustus Haoyang
Veröffentlicht: (2026)

Generalizing PDE Emulation with Equation-Aware Neural Operators
von: Zhu, Qian-Ze, et al.
Veröffentlicht: (2025)

MD-PNOP: Equation-Recast Neural Operators for Minimal-Data Extrapolation and PDE Solver Acceleration
von: Cheng, Qiyun, et al.
Veröffentlicht: (2025)

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

Learning Generalizable Neural Operators for Inverse Problems
von: Thorpe, Adam J., et al.
Veröffentlicht: (2025)

A Prefixed Patch Time Series Transformer for Two-Point Boundary Value Problems in Three-Body Problems
von: Hatakeyama, Akira, et al.
Veröffentlicht: (2025)

Imposing Boundary Conditions on Neural Operators via Learned Function Extensions
von: Mousavi, Sepehr, et al.
Veröffentlicht: (2026)

Sensitivity-Constrained Fourier Neural Operators for Forward and Inverse Problems in Parametric Differential Equations
von: Behroozi, Abdolmehdi, et al.
Veröffentlicht: (2025)

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

Learning Neural Differential Algebraic Equations via Operator Splitting
von: Koch, James, et al.
Veröffentlicht: (2024)

Efficient Dilated Squeeze and Excitation Neural Operator for Differential Equations
von: Chauhan, Prajwal, et al.
Veröffentlicht: (2026)

Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations
von: Shi, Dai, et al.
Veröffentlicht: (2026)

Accelerating PDE Data Generation via Differential Operator Action in Solution Space
von: Dong, Huanshuo, et al.
Veröffentlicht: (2024)

History-Aware Neural Operator: Robust Data-Driven Constitutive Modeling of Path-Dependent Materials
von: Guo, Binyao, et al.
Veröffentlicht: (2025)

Topology-aware Neural Flux Prediction Guided by Physics
von: Jiang, Haoyang, et al.
Veröffentlicht: (2025)

Geometric Neural Operators (GNPs) for Data-Driven Deep Learning of Non-Euclidean Operators
von: Quackenbush, Blaine, et al.
Veröffentlicht: (2024)

Extremization to Fine Tune Physics Informed Neural Networks for Solving Boundary Value Problems
von: Thiruthummal, Abhiram Anand, et al.
Veröffentlicht: (2024)

WLNO: Wavelet-Laplace Neural Operator for Solving Partial Differential Equations
von: Abid, Muhammad, et al.
Veröffentlicht: (2026)

Physics-Informed Laplace Neural Operator for Solving Partial Differential Equations
von: Kim, Heechang, et al.
Veröffentlicht: (2026)

Coupled Multiwavelet Neural Operator Learning for Coupled Partial Differential Equations
von: Xiao, Xiongye, et al.
Veröffentlicht: (2023)