Buchumschlag

Structure-preserving learning for multi-symplectic PDEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yıldız, Süleyman, Goyal, Pawan, Benner, Peter
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

Guaranteed Stable Quadratic Models and their applications in SINDy and Operator Inference
von: Goyal, Pawan, et al.
Veröffentlicht: (2023)

Learning reduced-order Quadratic-Linear models in Process Engineering using Operator Inference
von: Gosea, Ion Victor, et al.
Veröffentlicht: (2024)

On the representation of energy-preserving quadratic operators with application to Operator Inference
von: Gkimisis, Leonidas, et al.
Veröffentlicht: (2025)

Data-Driven Identification of Quadratic Representations for Nonlinear Hamiltonian Systems using Weakly Symplectic Liftings
von: Yildiz, Süleyman, et al.
Veröffentlicht: (2023)

A CFL-type Condition and Theoretical Insights for Discrete-Time Sparse Full-Order Model Inference
von: Gkimisis, Leonidas, et al.
Veröffentlicht: (2025)

Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models
von: Sun, Shuwen, et al.
Veröffentlicht: (2024)

Interpretable Spatial-Temporal Fusion Transformers: Multi-Output Prediction for Parametric Dynamical Systems with Time-Varying Inputs
von: Sun, Shuwen, et al.
Veröffentlicht: (2025)

Neural Measures for learning distributions of Random PDEs
von: Arampatzis, Georgios, et al.
Veröffentlicht: (2025)

Structure-preserving Lift & Learn: Scientific machine learning for nonlinear conservative partial differential equations
von: Sharma, Harsh, et al.
Veröffentlicht: (2025)

A deformation-based framework for learning solution mappings of PDEs defined on varying domains
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

Physics-informed post-processing of stabilized finite element solutions for transient convection-dominated problems
von: Cengizci, Süleyman, et al.
Veröffentlicht: (2026)

Error analysis for finite element operator learning methods for solving parametric second-order elliptic PDEs
von: Hong, Youngjoon, et al.
Veröffentlicht: (2024)

Physics-informed sensor coverage through structure preserving machine learning
von: Shaffer, Benjamin David, et al.
Veröffentlicht: (2025)

PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs
von: Brivio, Simone, et al.
Veröffentlicht: (2024)

CONFIDE: Contextual Finite Differences Modelling of PDEs
von: Linial, Ori, et al.
Veröffentlicht: (2023)

Solving PDEs on Unknown Manifolds with Machine Learning
von: Liang, Senwei, et al.
Veröffentlicht: (2021)

Structure-preserving neural networks for the regularized entropy-based closure of the Boltzmann moment system
von: Schotthöfer, Steffen, et al.
Veröffentlicht: (2024)

Structure and asymptotic preserving deep neural surrogates for uncertainty quantification in multiscale kinetic equations
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Multi-symplectic Birkhoffian Structure for PDEs with Dissipation Terms
von: Su, Hongling, et al.
Veröffentlicht: (2003)

Resolution invariant deep operator network for PDEs with complex geometries
von: Huang, Jianguo, et al.
Veröffentlicht: (2024)

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

Transolver: A Fast Transformer Solver for PDEs on General Geometries
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

Multilevel CNNs for Parametric PDEs based on Adaptive Finite Elements
von: Schütte, Janina Enrica, et al.
Veröffentlicht: (2024)

One-Shot Transfer Learning for Nonlinear PDEs with Perturbative PINNs
von: Auroy, Samuel, et al.
Veröffentlicht: (2025)

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

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

Solving Nonlinear PDEs with Sparse Radial Basis Function Networks
von: Shao, Zihan, et al.
Veröffentlicht: (2025)

Structure-preserving model reduction of Hamiltonian systems by learning a symplectic autoencoder
von: Niggl, F. K. J.
Veröffentlicht: (2024)

Learning solution operators of PDEs defined on varying domains via MIONet
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

An Efficient Deep Learning Approach for Approximating Parameter-to-Solution Maps of PDEs
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs
von: Mouli, S. Chandra, et al.
Veröffentlicht: (2024)

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

Deflation-PINNs: Learning Multiple Solutions for PDEs and Landau-de Gennes
von: Disarò, Sean, et al.
Veröffentlicht: (2026)

Predictions Based on Pixel Data: Insights from PDEs and Finite Differences
von: Celledoni, Elena, et al.
Veröffentlicht: (2023)

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

Hybrid Iterative Solvers with Geometry-Aware Neural Preconditioners for Parametric PDEs
von: Lee, Youngkyu, et al.
Veröffentlicht: (2025)

Adversarial Adaptive Sampling: Unify PINN and Optimal Transport for the Approximation of PDEs
von: Tang, Kejun, et al.
Veröffentlicht: (2023)

Barron Space Representations for Elliptic PDEs with Homogeneous Boundary Conditions
von: Chen, Ziang, et al.
Veröffentlicht: (2025)

Regularity of Second-Order Elliptic PDEs in Spectral Barron Spaces
von: Chen, Ziang, et al.
Veröffentlicht: (2026)

Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space
von: Yue, Xihang, et al.
Veröffentlicht: (2024)