Buchumschlag

PDE-DKL: PDE-constrained deep kernel learning in high dimensionality

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yan, Weihao, Brune, Christoph, Guo, Mengwu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence 68T35, 65N99, 35Q62, 35Q68 I.2.6; G.1.8
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Accelerating wave simulations with neural dispersion correctors
von: Rincón, Felipe, et al.
Veröffentlicht: (2025)

A PDE Perspective on Generative Diffusion Models
von: Liu, Kang, et al.
Veröffentlicht: (2025)

Physics-informed Temporal Alignment for Auto-regressive PDE Foundation Models
von: Zhu, Congcong, et al.
Veröffentlicht: (2025)

On the Value of Tokeniser Pretraining in Physics Foundation Models
von: Sotoudeh, Hadi, et al.
Veröffentlicht: (2026)

Enhancing PINN Accuracy for the RLW Equation: Adaptive and Conservative Approaches
von: Shehzad, Aamir
Veröffentlicht: (2025)

Stein Variational Gradient Descent dynamics for highly concentrated kernels
von: Carrillo, José A., et al.
Veröffentlicht: (2026)

A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks
von: Lantigua, Said, et al.
Veröffentlicht: (2025)

Towards Coordinate- and Dimension-Agnostic Machine Learning for Partial Differential Equations
von: Phan, Trung V., et al.
Veröffentlicht: (2025)

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)

Ultrahigh-Q chiral resonances empowered by multi-head attention deep learning
von: Zhang, Cong, et al.
Veröffentlicht: (2025)

Physics-Informed Learning of Microvascular Flow Models using Graph Neural Networks
von: Botta, Paolo, et al.
Veröffentlicht: (2025)

Numerical solution of a PDE arising from prediction with expert advice
von: Calder, Jeff, et al.
Veröffentlicht: (2024)

Next Generation Equation-Free Multiscale Modelling of Crowd Dynamics via Machine Learning
von: Alvarez, Hector Vargas, et al.
Veröffentlicht: (2025)

An adaptive Deep Ritz framework for second-order fully nonlinear partial differential equations
von: Caboussat, Alexandre, et al.
Veröffentlicht: (2026)

Lipschitz-regularized gradient flows and generative particle algorithms for high-dimensional scarce data
von: Gu, Hyemin, et al.
Veröffentlicht: (2022)

Learning on the Temporal Tangent Bundle for Physics-Informed Neural Networks
von: Jamal, Adetola, et al.
Veröffentlicht: (2026)

FieldTNN-based machine learning method for Maxwell eigenvalue problems
von: Jiang, Jiantao, et al.
Veröffentlicht: (2024)

Quantitative Local Convergence of Mean-Field Stein Variational Gradient Flow
von: Chizat, Lénaïc, et al.
Veröffentlicht: (2026)

Radon--Wasserstein Gradient Flows for Interacting-Particle Sampling in High Dimensions
von: Hess-Childs, Elias, et al.
Veröffentlicht: (2026)

Gradient-enhanced PINN with residual unit for studying forward-inverse problems of variable coefficient equations
von: Zhou, Hui-Juan, et al.
Veröffentlicht: (2025)

Two-Time-Scale Learning Dynamics: A Population View of Neural Network Training
von: Borghi, Giacomo, et al.
Veröffentlicht: (2026)

Is Stochastic Gradient Descent Effective? A PDE Perspective on Machine Learning processes
von: Barbieri, Davide, et al.
Veröffentlicht: (2025)

Leveraging viscous Hamilton-Jacobi PDEs for uncertainty quantification in scientific machine learning
von: Zou, Zongren, et al.
Veröffentlicht: (2024)

Convex Physics Informed Neural Networks for the Monge-Ampère Optimal Transport Problem
von: Caboussat, Alexandre, et al.
Veröffentlicht: (2025)

Weak Adversarial Neural Pushforward Method for the McKean-Vlasov / Mean-Field Fokker-Planck Equation
von: He, Andrew Qing, et al.
Veröffentlicht: (2026)

Physics-informed machine learning: A mathematical framework with applications to time series forecasting
von: Doumèche, Nathan
Veröffentlicht: (2025)

Learning Neural Pushforward Samplers for Distributions from Fokker-Planck Equations by Weak Adversarial Training
von: He, Andrew Qing, et al.
Veröffentlicht: (2025)

Exact Distributions for the Solutions of the Compressible Viscous Navier Stokes Differential Equations: An Application in the Aeronautical Industry
von: Meulens, Rensley A.
Veröffentlicht: (2025)

Convergence, design and training of continuous-time dropout as a random batch method
von: Álvarez-López, Antonio, et al.
Veröffentlicht: (2025)

Medical Image Registration using optimal control of a linear hyperbolic transport equation with a DG discretization
von: Zapf, Bastian, et al.
Veröffentlicht: (2023)

The Stein-log-Sobolev inequality and the exponential rate of convergence for the continuous Stein variational gradient descent method
von: Carrillo, José A., et al.
Veröffentlicht: (2024)

Analysis of a Computational Framework for Bayesian Inverse Problems: Ensemble Kalman Updates and MAP Estimators Under Mesh Refinement
von: Sanz-Alonso, Daniel, et al.
Veröffentlicht: (2023)

Solving Inverse PDE Problems using Minimization Methods and AI
von: Helwani, Noura Al, et al.
Veröffentlicht: (2026)

Approximation of shape optimization problems with non-smooth PDE constraints
von: Betz, Livia
Veröffentlicht: (2024)

Quantum Enhanced Numerical Homogenization
von: Balazi, Loïc, et al.
Veröffentlicht: (2026)

Sum-of-Gaussians tensor neural networks for high-dimensional Schrödinger equation
von: Zhou, Qi, et al.
Veröffentlicht: (2025)

Sparsifying dimensionality reduction of PDE solution data with Bregman learning
von: Heeringa, Tjeerd Jan, et al.
Veröffentlicht: (2024)

Improved physics-informed neural network in mitigating gradient related failures
von: Niu, Pancheng, et al.
Veröffentlicht: (2024)

Unified Robust Boosting
von: Wang, Zhu
Veröffentlicht: (2021)