Buchumschlag

A Deep Learning approach for parametrized and time dependent Partial Differential Equations using Dimensionality Reduction and Neural ODEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Longhi, Alessandro, Lathouwers, Danny, Perkó, Zoltán
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Angle dependent dose transformer algorithm for fast proton therapy dose calculations
von: Stryja, Mikołaj, et al.
Veröffentlicht: (2026)

Yet anOther Dose Algorithm (YODA) for independent computations of dose and dose changes due to anatomical changes
von: Burlacu, Tiberiu, et al.
Veröffentlicht: (2024)

A deep learning model for inter-fraction head and neck anatomical changes
von: Burlacu, Tiberiu, et al.
Veröffentlicht: (2024)

Modified Equations for Stochastic Optimization
von: Perko, Stefan
Veröffentlicht: (2025)

Learning Physics Informed Neural ODEs With Partial Measurements
von: Ghanem, Paul, et al.
Veröffentlicht: (2024)

Graph ODEs and Beyond: A Comprehensive Survey on Integrating Differential Equations with Graph Neural Networks
von: Liu, Zewen, et al.
Veröffentlicht: (2025)

BULL-ODE: Bullwhip Learning with Neural ODEs and Universal Differential Equations under Stochastic Demand
von: Naik, Nachiket N., et al.
Veröffentlicht: (2025)

Coupled Multiwavelet Neural Operator Learning for Coupled Partial Differential Equations
von: Xiao, Xiongye, et al.
Veröffentlicht: (2023)

Towards Continuous-Time Approximations for Stochastic Gradient Descent without Replacement
von: Perko, Stefan
Veröffentlicht: (2025)

Control and optimization for Neural Partial Differential Equations in Supervised Learning
von: Bensoussan, Alain, et al.
Veröffentlicht: (2025)

Layer Separation Deep Learning Model with Auxiliary Variables for Partial Differential Equations
von: Liu, Yaru, et al.
Veröffentlicht: (2025)

Equivariant Manifold Neural ODEs and Differential Invariants
von: Andersdotter, Emma, et al.
Veröffentlicht: (2024)

Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations
von: Shi, Dai, et al.
Veröffentlicht: (2026)

Diffeomorphic Latent Neural Operators for Data-Efficient Learning of Solutions to Partial Differential Equations
von: Ahmad, Zan, et al.
Veröffentlicht: (2024)

CompNO: A Novel Foundation Model approach for solving Partial Differential Equations
von: Hmida, Hamda, et al.
Veröffentlicht: (2026)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

Deep Parallel Spectral Neural Operators for Solving Partial Differential Equations with Enhanced Low-Frequency Learning Capability
von: Ma, Qinglong, et al.
Veröffentlicht: (2024)

Finite Expression Method for Solving High-Dimensional Partial Differential Equations
von: Liang, Senwei, et al.
Veröffentlicht: (2022)

Disentangled Representation Learning for Parametric Partial Differential Equations
von: Liu, Ning, et al.
Veröffentlicht: (2024)

ConDiff: A Challenging Dataset for Neural Solvers of Partial Differential Equations
von: Trifonov, Vladislav, et al.
Veröffentlicht: (2024)

WLNO: Wavelet-Laplace Neural Operator for Solving Partial Differential Equations
von: Abid, Muhammad, et al.
Veröffentlicht: (2026)

Quantized Convolutional Neural Networks Through the Lens of Partial Differential Equations
von: Ben-Yair, Ido, et al.
Veröffentlicht: (2021)

Physics-Informed Laplace Neural Operator for Solving Partial Differential Equations
von: Kim, Heechang, et al.
Veröffentlicht: (2026)

Neural Quantum Spectral Operator Learning for Solving Partial Differential Equations
von: Kim, Chanyoung, et al.
Veröffentlicht: (2026)

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

HAMLET: Graph Transformer Neural Operator for Partial Differential Equations
von: Bryutkin, Andrey, et al.
Veröffentlicht: (2024)

Physics-embedded Fourier Neural Network for Partial Differential Equations
von: Xu, Qingsong, et al.
Veröffentlicht: (2024)

Solving High-Dimensional Partial Integral Differential Equations: The Finite Expression Method
von: Hardwick, Gareth, et al.
Veröffentlicht: (2024)

A Novel Tensor Product-Based Neural Network for Solving Partial Differential Equations
von: Yang, Qihong, et al.
Veröffentlicht: (2026)

Solving Partial Differential Equations with Equivariant Extreme Learning Machines
von: Harder, Hans, et al.
Veröffentlicht: (2024)

Reinforcement Learning Closures for Underresolved Partial Differential Equations using Synthetic Data
von: Heimbach, Lothar, et al.
Veröffentlicht: (2025)

A minimax optimal control approach for robust neural ODEs
von: Cipriani, Cristina, et al.
Veröffentlicht: (2023)

Physics-Informed Latent Neural Operator for Real-time Predictions of time-dependent parametric PDEs
von: Karumuri, Sharmila, et al.
Veröffentlicht: (2025)

Accelerating Neural ODEs Using Model Order Reduction
von: Lehtimäki, Mikko, et al.
Veröffentlicht: (2021)

FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
von: Ye, Zaijun, et al.
Veröffentlicht: (2024)

GeoMaNO: Geometric Mamba Neural Operator for Partial Differential Equations
von: Han, Xi, et al.
Veröffentlicht: (2025)

Randomized Neural Networks for Partial Differential Equation on Static and Evolving Surfaces
von: Sun, Jingbo, et al.
Veröffentlicht: (2026)

Random Neural Network Expressivity for Non-Linear Partial Differential Equations
von: Mehmood, Muhammed Ali, et al.
Veröffentlicht: (2026)

What You See is Not What You Get: Neural Partial Differential Equations and The Illusion of Learning
von: Mohan, Arvind, et al.
Veröffentlicht: (2024)

LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data
von: Huang, Xinquan, et al.
Veröffentlicht: (2022)