Buchumschlag

KANtrol: A Physics-Informed Kolmogorov-Arnold Network Framework for Solving Multi-Dimensional and Fractional Optimal Control Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Aghaei, Alireza Afzal
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Optimization and Control Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

rKAN: Rational Kolmogorov-Arnold Networks
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

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

Solving Elliptic Optimal Control Problems via Neural Networks and Optimality System
von: Dai, Yongcheng, et al.
Veröffentlicht: (2023)

AutoBalance: An Automatic Balancing Framework for Training Physics-Informed Neural Networks
von: An, Kang, et al.
Veröffentlicht: (2025)

Multi-level Optimal Control with Neural Surrogate Models
von: Kalise, Dante, et al.
Veröffentlicht: (2024)

DeepMartingale: Duality of the Optimal Stopping Problem with Expressivity and High-Dimensional Hedging
von: Ye, Junyan, et al.
Veröffentlicht: (2025)

Solving the Offline and Online Min-Max Problem of Non-smooth Submodular-Concave Functions: A Zeroth-Order Approach
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2026)

Dual Cone Gradient Descent for Training Physics-Informed Neural Networks
von: Hwang, Youngsik, et al.
Veröffentlicht: (2024)

Competitive Physics Informed Networks
von: Zeng, Qi, et al.
Veröffentlicht: (2022)

Accelerating Fractional PINNs using Operational Matrices of Derivative
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

A Natural Primal-Dual Hybrid Gradient Method for Adversarial Neural Network Training on Solving Partial Differential Equations
von: Liu, Shu, et al.
Veröffentlicht: (2024)

Control, Optimal Transport and Neural Differential Equations in Supervised Learning
von: Phung, Minh-Nhat, et al.
Veröffentlicht: (2025)

ADMM for Structured Fractional Minimization
von: Yuan, Ganzhao
Veröffentlicht: (2024)

Stochastic Optimal Control Matching
von: Domingo-Enrich, Carles, et al.
Veröffentlicht: (2023)

A Framework for Approximating Perturbed Optimal Control Problems
von: Link, Riley, et al.
Veröffentlicht: (2024)

Curvature-Aware Optimization for High-Accuracy Physics-Informed Neural Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2026)

Dimensionality Reduction Techniques for Global Bayesian Optimisation
von: Long, Luo, et al.
Veröffentlicht: (2024)

Nonlinear Dimensionality Reduction Techniques for Bayesian Optimization
von: Long, Luo, et al.
Veröffentlicht: (2025)

Learning Regularization Functionals for Inverse Problems: A Comparative Study
von: Hertrich, Johannes, et al.
Veröffentlicht: (2025)

Faster Randomized Methods for Orthogonality Constrained Problems
von: Shustin, Boris, et al.
Veröffentlicht: (2021)

SPIKANs: Separable Physics-Informed Kolmogorov-Arnold Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2024)

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

Shape Derivative-Informed Neural Operators with Application to Risk-Averse Shape Optimization
von: Gong, Xindi, et al.
Veröffentlicht: (2026)

Using Linearized Optimal Transport to Predict the Evolution of Stochastic Particle Systems
von: Karris, Nicholas, et al.
Veröffentlicht: (2024)

Anderson Acceleration in Nonsmooth Problems: Local Convergence via Active Manifold Identification
von: Li, Kexin, et al.
Veröffentlicht: (2024)

Dynamic Proximal Gradient Algorithms for Schatten-$p$ Quasi-Norm Regularized Problems
von: Shen, Weiping, et al.
Veröffentlicht: (2026)

OptEMA: Adaptive Exponential Moving Average for Stochastic Optimization with Zero-Noise Optimality
von: Yuan, Ganzhao
Veröffentlicht: (2026)

Approaching Optimality for Solving Dense Linear Systems with Low-Rank Structure
von: Dereziński, Michał, et al.
Veröffentlicht: (2025)

Maximum Principle of Optimal Probability Density Control
von: Gaby, Nathan, et al.
Veröffentlicht: (2025)

A Family of Controllable Momentum Coefficients for Forward-Backward Accelerated Algorithms
von: Fu, Mingwei, et al.
Veröffentlicht: (2025)

A Priori Error Estimation of Physics-Informed Neural Networks Solving Allen--Cahn and Cahn--Hilliard Equations
von: Zhang, Guangtao, et al.
Veröffentlicht: (2024)

Machine Learning and Control: Foundations, Advances, and Perspectives
von: Zuazua, Enrique
Veröffentlicht: (2025)

A Gauss-Newton Approach for Min-Max Optimization in Generative Adversarial Networks
von: Mishra, Neel, et al.
Veröffentlicht: (2024)

UAdam: Unified Adam-Type Algorithmic Framework for Non-Convex Stochastic Optimization
von: Jiang, Yiming, et al.
Veröffentlicht: (2023)

On the numerical stability of discretised Optimal Control Problems
von: Bijalwan, Ashutosh, et al.
Veröffentlicht: (2023)

Constrained Density Estimation via Optimal Transport
von: Hu, Yinan, et al.
Veröffentlicht: (2026)

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

Bayesian Optimization on Networks
von: Li, Wenwen, et al.
Veröffentlicht: (2025)

Efficient Solution of State-Constrained Distributed Parabolic Optimal Control Problems
von: Löscher, Richard, et al.
Veröffentlicht: (2024)