Buchumschlag

Physics-informed reduced order model with conditional neural fields

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Minji, Wen, Tianshu, Lee, Kookjin, Choi, Youngsoo
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A fast and accurate physics-informed neural network reduced order model with shallow masked autoencoder
von: Kim, Youngkyu, et al.
Veröffentlicht: (2020)

Thermodynamically Consistent Latent Dynamics Identification for Parametric Systems
von: He, Xiaolong, et al.
Veröffentlicht: (2025)

Parameterized Physics-informed Neural Networks for Parameterized PDEs
von: Cho, Woojin, et al.
Veröffentlicht: (2024)

Sequential decoder training for improved latent space dynamics identification
von: Anderson, William, et al.
Veröffentlicht: (2025)

A fast and accurate domain-decomposition nonlinear manifold reduced order model
von: Diaz, Alejandro N., et al.
Veröffentlicht: (2023)

Physics-informed active learning with simultaneous weak-form latent space dynamics identification
von: He, Xiaolong, et al.
Veröffentlicht: (2024)

Physically consistent predictive reduced-order modeling by enhancing Operator Inference with state constraints
von: Kim, Hyeonghun, et al.
Veröffentlicht: (2025)

mLaSDI: Multi-stage latent space dynamics identification
von: Anderson, William, et al.
Veröffentlicht: (2025)

On latent dynamics learning in nonlinear reduced order modeling
von: Farenga, Nicola, et al.
Veröffentlicht: (2024)

Efficient space-time reduced order model for linear dynamical systems in Python using less than 120 lines of code
von: Kim, Youngkyu, et al.
Veröffentlicht: (2020)

Coupling the reduced-order model and the generative model for an importance sampling estimator
von: Wan, Xiaoliang, et al.
Veröffentlicht: (2019)

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

Physics-informed neural networks for operator equations with stochastic data
von: Escapil-Inchauspé, Paul, et al.
Veröffentlicht: (2022)

Towards a machine learning pipeline in reduced order modelling for inverse problems: neural networks for boundary parametrization, dimensionality reduction and solution manifold approximation
von: Ivagnes, Anna, et al.
Veröffentlicht: (2022)

Physics-informed neural networks (PINNs) for numerical model error approximation and superresolution
von: Zhuang, Bozhou, et al.
Veröffentlicht: (2024)

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

The role of interface boundary conditions and sampling strategies for Schwarz-based coupling of projection-based reduced order models
von: Wentland, Christopher R., et al.
Veröffentlicht: (2024)

CoLoRA: Continuous low-rank adaptation for reduced implicit neural modeling of parameterized partial differential equations
von: Berman, Jules, et al.
Veröffentlicht: (2024)

Handling geometrical variability in nonlinear reduced order modeling through Continuous Geometry-Aware DL-ROMs
von: Brivio, Simone, et al.
Veröffentlicht: (2024)

Pseudo-differential-enhanced physics-informed neural networks
von: Gracyk, Andrew
Veröffentlicht: (2026)

PDEfuncta: Spectrally-Aware Neural Representation for PDE Solution Modeling
von: Jo, Minju, et al.
Veröffentlicht: (2025)

Exact and approximate error bounds for physics-informed neural networks
von: Chantada, Augusto T., et al.
Veröffentlicht: (2024)

Convergence of physics-informed neural networks modeling time-harmonic wave fields
von: Schoder, Stefan, et al.
Veröffentlicht: (2025)

Latent Space Element Method
von: Chung, Seung Whan, et al.
Veröffentlicht: (2026)

Parametric model reduction of mean-field and stochastic systems via higher-order action matching
von: Berman, Jules, et al.
Veröffentlicht: (2024)

Domain decomposition architectures and Gauss-Newton training for physics-informed neural networks
von: Heinlein, Alexander, et al.
Veröffentlicht: (2025)

Mixture of neural operator experts for learning boundary conditions and model selection
von: Deighan, Dwyer, et al.
Veröffentlicht: (2025)

A practical existence theorem for reduced order models based on convolutional autoencoders
von: Franco, Nicola Rares, et al.
Veröffentlicht: (2024)

Certified machine learning: A posteriori error estimation for physics-informed neural networks
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2022)

A shallow physics-informed neural network for solving partial differential equations on surfaces
von: Hu, Wei-Fan, et al.
Veröffentlicht: (2022)

An extended physics informed neural network for preliminary analysis of parametric optimal control problems
von: Demo, Nicola, et al.
Veröffentlicht: (2021)

A physics-informed neural network framework for modeling obstacle-related equations
von: Bahja, Hamid El, et al.
Veröffentlicht: (2023)

GPLaSDI: Gaussian Process-based Interpretable Latent Space Dynamics Identification through Deep Autoencoder
von: Bonneville, Christophe, et al.
Veröffentlicht: (2023)

Scalable nonlinear manifold reduced order model for dynamical systems
von: Zanardi, Ivan, et al.
Veröffentlicht: (2024)

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

A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity
von: Dick, Josef, et al.
Veröffentlicht: (2025)

Random test functions, $H^{-1}$ norm equivalence, and stochastic variational physics-informed neural networks
von: Marcondes, Diego
Veröffentlicht: (2026)

Fixed-budget online adaptive learning for physics-informed neural networks. Towards parameterized problem inference
von: Nguyen, Thi Nguyen Khoa, et al.
Veröffentlicht: (2022)

Cell-induced densification and tether formation in fibrous extracellular matrices with biomimetic physics-informed neural networks
von: Lin, Anci, et al.
Veröffentlicht: (2026)

Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning
von: De Ryck, Tim, et al.
Veröffentlicht: (2024)