Buchumschlag

A posteriori certification for neural network approximations to PDEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ernst, Lewin, Rekatsinas, Nikolaos, Urban, Karsten
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis 35J20, 65M15, 68T07
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Expression Rates of Neural Operators for Linear Elliptic PDEs in Polytopes
von: Marcati, Carlo, et al.
Veröffentlicht: (2024)

A neural network method for scalar conservation laws with convergence rates for shock-wave solutions
von: Cao, Jiachuan, et al.
Veröffentlicht: (2026)

Operator Inference for Elliptic Eigenvalue Problems
von: Li, Haoqian, et al.
Veröffentlicht: (2025)

Solving the BGK Model and Boltzmann equation by Fourier Neural Operator with conservative constraints
von: Hu, Boyun, et al.
Veröffentlicht: (2025)

RandONet: Shallow-Networks with Random Projections for learning linear and nonlinear operators
von: Fabiani, Gianluca, et al.
Veröffentlicht: (2024)

Data-Free Asymptotics-Informed Operator Networks for Singularly Perturbed PDEs
von: Lee, Jinsil, et al.
Veröffentlicht: (2025)

Tensor Neural Network Based Machine Learning Method for Elliptic Multiscale Problems
von: Lin, Zhongshuo, et al.
Veröffentlicht: (2024)

Sampling Distributions as Regularization in Learned Inverse Problems
von: Babyale, Sandra R., et al.
Veröffentlicht: (2026)

Error estimates of asymptotic-preserving neural networks in approximating stochastic linearized Boltzmann equation
von: Wan, Jiayu, et al.
Veröffentlicht: (2025)

Convergence of Physics-Informed Neural Networks for Fully Nonlinear PDE's
von: Arakelyan, Avetik, et al.
Veröffentlicht: (2024)

A Parameter-Driven Physics-Informed Neural Network Framework for Solving Two-Parameter Singular Perturbation Problems Involving Boundary Layers
von: Boro, Pradanya, et al.
Veröffentlicht: (2025)

Conservative approximation-based feedforward neural network for WENO schemes
von: Park, Kwanghyuk, et al.
Veröffentlicht: (2025)

A posteriori analysis of neural network approximations
von: Führer, Thomas, et al.
Veröffentlicht: (2025)

Deep neural network yields regularization for ill-posed inverse problems
von: Zhu, Qiao, et al.
Veröffentlicht: (2026)

Hypernetwork-Conditioned WENO5 Conservative-Form CNNs for One-Dimensional Conservation Laws
von: Chen, Yongsheng, et al.
Veröffentlicht: (2026)

Stabilized neural Hamilton--Jacobi--Bellman solvers: Error analysis and applications in model-based reinforcement learning
von: Kim, Minseok, et al.
Veröffentlicht: (2026)

Certified and accurate computation of function space norms of deep neural networks
von: Gründler, Johannes, et al.
Veröffentlicht: (2026)

Neural enrichment finite element method: A hybrid framework for problems with strong oscillations or interface problems
von: Guo, Shihan, et al.
Veröffentlicht: (2026)

Subspace method based on neural networks for eigenvalue problems
von: Dai, Xiaoying, et al.
Veröffentlicht: (2024)

Numerical PDE solvers outperform neural PDE solvers
von: Chatain, Patrick, et al.
Veröffentlicht: (2025)

Deep-Picard Iteration for Space-time Fractional Diffusion PDEs
von: Zeng, Zhijun, et al.
Veröffentlicht: (2026)

Solving elliptic PDEs in unbounded domains
von: Arjmand, Doghonay, et al.
Veröffentlicht: (2024)

Least Squares with Equality constraints Extreme Learning Machines for the resolution of PDEs
von: De Falco, Davide Elia, et al.
Veröffentlicht: (2025)

Deep neural networks with ReLU, leaky ReLU, and softplus activation provably overcome the curse of dimensionality for space-time solutions of semilinear partial differential equations
von: Ackermann, Julia, et al.
Veröffentlicht: (2024)

Deep neural networks with ReLU, leaky ReLU, and softplus activation provably overcome the curse of dimensionality for Kolmogorov partial differential equations with Lipschitz nonlinearities in the $L^p$-sense
von: Ackermann, Julia, et al.
Veröffentlicht: (2023)

pETNNs: Partial Evolutionary Tensor Neural Networks for Solving Time-dependent Partial Differential Equations
von: Kao, Tunan, et al.
Veröffentlicht: (2024)

A reduced order Schwarz method for nonlinear multiscale elliptic equations based on two-layer neural networks
von: Chen, Shi, et al.
Veröffentlicht: (2021)

$\textit{A priori}$ and $\textit{a posteriori}$ error identities for the scalar Signorini problem
von: Bartels, Sören, et al.
Veröffentlicht: (2024)

Quantitative analysis for $L^2$-estimates in linear elliptic equations via divergence-free transformation
von: Lee, Haesung
Veröffentlicht: (2025)

Solving the Fisher nonlinear differential equations via Physics-Informed Neural Networks: A Comprehensive Retraining Study and Comparative Analysis with the Finite Difference Method
von: Aberqi, Ahmed, et al.
Veröffentlicht: (2026)

A unified framework for the analysis, numerical approximation and model reduction of linear operator equations, Part I: Well-posedness in space and time
von: Feuerle, Moritz, et al.
Veröffentlicht: (2025)

High-dimensional Bayesian filtering through deep density approximation
von: Bågmark, Kasper, et al.
Veröffentlicht: (2025)

Nonlinear filtering based on density approximation and deep BSDE prediction
von: Bågmark, Kasper, et al.
Veröffentlicht: (2025)

Function and derivative approximation by shallow neural networks
von: Li, Yuanyuan, et al.
Veröffentlicht: (2024)

Asymptotic behaviour of the semidiscrete FE approximations to weakly damped wave equations with minimal smoothness on initial data
von: Danumjaya, P., et al.
Veröffentlicht: (2023)

Deep collocation method: A framework for solving PDEs using neural networks with error control
von: Weng, Mingxing, et al.
Veröffentlicht: (2025)

A posteriori analysis for nonlinear convection-diffusion systems
von: Dedner, Andreas, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks: Bridging the Divide Between Conservative and Non-Conservative Equations
von: Neelan, Arun Govind, et al.
Veröffentlicht: (2025)

A Structure-Preserving Framework for Solving Parabolic Partial Differential Equations with Neural Networks
von: Chen, Gaohang, 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)