Buchumschlag

Binned Spectral Power Loss for Improved Prediction of Chaotic Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chakraborty, Dibyajyoti, Mohan, Arvind T., Maulik, Romit
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Dynamical Systems Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Learning of Solver-Aware Turbulence Closures from Nudged LES Dynamics
von: Suriyanarayanan, Ashwin, et al.
Veröffentlicht: (2026)

Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2026)

Differentiable Turbulence: Closure as a partial differential equation constrained optimization
von: Shankar, Varun, et al.
Veröffentlicht: (2023)

Higher order quantum reservoir computing for non-intrusive reduced-order models
von: Jain, Vinamr, et al.
Veröffentlicht: (2024)

A Weak Penalty Neural ODE for Learning Chaotic Dynamics from Noisy Time Series
von: Li, Xuyang, et al.
Veröffentlicht: (2025)

A note on the error analysis of data-driven closure models for large eddy simulations of turbulence
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2024)

Interpretable Diagnostics and Adaptive Data Assimilation for Neural ODEs via Discrete Empirical Interpolation
von: Kim, Hojin, et al.
Veröffentlicht: (2025)

Improved deep learning of chaotic dynamical systems with multistep penalty losses
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2024)

FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models
von: Raut, Riddhiman, et al.
Veröffentlicht: (2025)

Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics
von: Kim, Hojin, et al.
Veröffentlicht: (2023)

Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models
von: Barwey, Shivam, et al.
Veröffentlicht: (2023)

Data-Assimilated Model-Based Reinforcement Learning for Partially Observed Chaotic Flows
von: Ozan, Defne E., et al.
Veröffentlicht: (2025)

Physics-constrained coupled neural differential equations for one dimensional blood flow modeling
von: Csala, Hunor, et al.
Veröffentlicht: (2024)

Mori-Zwanzig latent space Koopman closure for nonlinear autoencoder
von: Gupta, Priyam, et al.
Veröffentlicht: (2023)

Analysis of tidal flows through the Strait of Gibraltar using Dynamic Mode Decomposition
von: Dias, Sathsara, et al.
Veröffentlicht: (2023)

Variational Mode Decomposition-Based Nonstationary Coherent Structure Analysis for Spatiotemporal Data
von: Ohmichi, Yuya
Veröffentlicht: (2023)

Improving the Robustness of Control of Chaotic Convective Flows with Domain-Informed Reinforcement Learning
von: Straat, Michiel, et al.
Veröffentlicht: (2025)

A competitive baseline for deep learning enhanced data assimilation using conditional Gaussian ensemble Kalman filtering
von: Malik, Zachariah, et al.
Veröffentlicht: (2024)

Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks
von: McDugald, Edward, et al.
Veröffentlicht: (2024)

Robust experimental data assimilation for the Spalart-Allmaras turbulence model
von: Aulakh, Deepinder Jot Singh, et al.
Veröffentlicht: (2023)

Data-Driven Physics-Informed Neural Networks: A Digital Twin Perspective
von: Yang, Sunwoong, et al.
Veröffentlicht: (2024)

Reinforcement Learning Increases Wind Farm Power Production by Enabling Closed-Loop Collaborative Control
von: Mole, Andrew, et al.
Veröffentlicht: (2025)

Understanding Latent Timescales in Neural Ordinary Differential Equation Models for Advection-Dominated Dynamical Systems
von: Nair, Ashish S., et al.
Veröffentlicht: (2024)

EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale
von: Du, Yiheng, et al.
Veröffentlicht: (2025)

Physics-Guided Actor-Critic Reinforcement Learning for Swimming in Turbulence
von: Koh, Christopher, et al.
Veröffentlicht: (2024)

Hierarchy of extreme-event predictability in turbulence revealed by machine learning
von: Yang, Yuxuan, et al.
Veröffentlicht: (2026)

Target Parameterization in Diffusion Models for Nonlinear Spatiotemporal System Identification
von: Messaoudi, Achraf El, et al.
Veröffentlicht: (2026)

Machine-Precision Prediction of Low-Dimensional Chaotic Systems
von: Schötz, Christof, et al.
Veröffentlicht: (2025)

Parametric Spectral Submanifolds across Hopf Bifurcations with Applications to Fluid Dynamics
von: King, James, et al.
Veröffentlicht: (2026)

Boundary Control for Suppressing Chaotic Response to Dynamic Hydrogen Blending in a Gas Pipeline
von: Baker, Luke S., et al.
Veröffentlicht: (2023)

Spectrally Informed Learning of Fluid Flows
von: Shaffer, Benjamin D., et al.
Veröffentlicht: (2024)

A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data
von: Sorensen, Benedikt Barthel, et al.
Veröffentlicht: (2024)

Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems
von: Ma, Sicheng, et al.
Veröffentlicht: (2026)

Measure-Theoretic Time-Delay Embedding
von: Botvinick-Greenhouse, Jonah, et al.
Veröffentlicht: (2024)

Reservoir Computing with a Single Oscillating Gas Bubble: Emphasizing the Chaotic Regime
von: Abdel-Ghani, Hend, et al.
Veröffentlicht: (2025)

Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations
von: Banerjee, Paulami, et al.
Veröffentlicht: (2024)

Asynchronous Parallel Reinforcement Learning for Optimizing Propulsive Performance in Fin Ray Control
von: Liu, Xin-Yang, et al.
Veröffentlicht: (2024)

Harvesting energy from turbulent winds with Reinforcement Learning
von: Basile, Lorenzo, et al.
Veröffentlicht: (2024)

Impact of Loss Weight and Model Complexity on Physics-Informed Neural Networks for Computational Fluid Dynamics
von: Chou, Yi En, et al.
Veröffentlicht: (2025)

Parametric 3D Convolutional Autoencoder for the Prediction of Flow Fields in a Bed Configuration of Hot Particles
von: Mjalled, Ali, et al.
Veröffentlicht: (2023)