Buchumschlag

Nonlinear energy-preserving model reduction with lifting transformations that quadratize the energy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sharma, Harsh, Giannoni, Juan Diego Draxl, Kramer, Boris
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Structure-preserving Lift & Learn: Scientific machine learning for nonlinear conservative partial differential equations
von: Sharma, Harsh, et al.
Veröffentlicht: (2025)

TGPT-PINN: Nonlinear model reduction with transformed GPT-PINNs
von: Chen, Yanlai, et al.
Veröffentlicht: (2024)

Preserving Lagrangian structure in data-driven reduced-order modeling of large-scale dynamical systems
von: Sharma, Harsh, et al.
Veröffentlicht: (2022)

Data-driven Model Reduction for Soft Robots via Lagrangian Operator Inference
von: Sharma, Harsh, et al.
Veröffentlicht: (2024)

Nonlinear model reduction for operator learning
von: Eivazi, Hamidreza, et al.
Veröffentlicht: (2024)

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

Nonlinear model reduction for transport-dominated problems
von: Hesthaven, Jan S., et al.
Veröffentlicht: (2026)

On the representation of energy-preserving quadratic operators with application to Operator Inference
von: Gkimisis, Leonidas, et al.
Veröffentlicht: (2025)

Multi-fidelity surrogate with heterogeneous input spaces for modeling melt pools in laser-directed energy deposition
von: Menon, Nandana, et al.
Veröffentlicht: (2024)

Leveraging time and parameters for nonlinear model reduction methods
von: Glas, Silke, et al.
Veröffentlicht: (2025)

Adaptive Probabilistic ODE Solvers Without Adaptive Memory Requirements
von: Krämer, Nicholas
Veröffentlicht: (2024)

Nonlinear model reduction with Neural Galerkin schemes on quadratic manifolds
von: Weder, Philipp, et al.
Veröffentlicht: (2024)

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

Latent Dynamics Graph Convolutional Networks for model order reduction of parameterized time-dependent PDEs
von: Tomada, Lorenzo, et al.
Veröffentlicht: (2026)

Filtered Neural Galerkin model reduction schemes for efficient propagation of initial condition uncertainties in digital twins
von: Ning, Zhiyang, et al.
Veröffentlicht: (2025)

Structure-preserving learning for multi-symplectic PDEs
von: Yıldız, Süleyman, et al.
Veröffentlicht: (2024)

A model-data asymptotic-preserving neural network method based on micro-macro decomposition for gray radiative transfer equations
von: Li, Hongyan, et al.
Veröffentlicht: (2022)

Matrix-Free Least Squares Solvers: Values, Gradients, and What to Do With Them
von: Roy, Hrittik, et al.
Veröffentlicht: (2025)

Physics-informed sensor coverage through structure preserving machine learning
von: Shaffer, Benjamin David, et al.
Veröffentlicht: (2025)

Neural active manifolds: nonlinear dimensionality reduction for uncertainty quantification
von: Zanoni, Andrea, et al.
Veröffentlicht: (2024)

Macroscopic auxiliary asymptotic preserving neural networks for the linear radiative transfer equations
von: Li, Hongyan, et al.
Veröffentlicht: (2024)

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)

A tutorial on automatic differentiation with complex numbers
von: Krämer, Nicholas
Veröffentlicht: (2024)

Dimension reduction for derivative-informed operator learning: An analysis of approximation errors
von: Luo, Dingcheng, et al.
Veröffentlicht: (2025)

A local approach to parameter space reduction for regression and classification tasks
von: Romor, Francesco, et al.
Veröffentlicht: (2021)

Structure and asymptotic preserving deep neural surrogates for uncertainty quantification in multiscale kinetic equations
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Structure-preserving neural networks for the regularized entropy-based closure of the Boltzmann moment system
von: Schotthöfer, Steffen, et al.
Veröffentlicht: (2024)

Gradients of Functions of Large Matrices
von: Krämer, Nicholas, et al.
Veröffentlicht: (2024)

Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes
von: Lyu, Liyao, et al.
Veröffentlicht: (2023)

Scalable Bayesian Inference for Nonlinear Conservation Laws
von: Weiland, Tim, et al.
Veröffentlicht: (2026)

Nonlocality and Nonlinearity Implies Universality in Operator Learning
von: Lanthaler, Samuel, et al.
Veröffentlicht: (2023)

Quantitative Approximation for Neural Operators in Nonlinear Parabolic Equations
von: Furuya, Takashi, et al.
Veröffentlicht: (2024)

KKANs: Kurkova-Kolmogorov-Arnold Networks and Their Learning Dynamics
von: Toscano, Juan Diego, et al.
Veröffentlicht: (2024)

One-Shot Transfer Learning for Nonlinear PDEs with Perturbative PINNs
von: Auroy, Samuel, et al.
Veröffentlicht: (2025)

Machine Learning-Based Nonlinear Nudging for Chaotic Dynamical Systems
von: Oh, Jaemin, et al.
Veröffentlicht: (2025)

Solving Nonlinear PDEs with Sparse Radial Basis Function Networks
von: Shao, Zihan, et al.
Veröffentlicht: (2025)

Long-time Integration of Nonlinear Wave Equations with Neural Operators
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

Understanding In-Context Learning for Nonlinear Regression with Transformers: Attention as Featurizer
von: Hsu, Alexander, et al.
Veröffentlicht: (2026)

Data efficient surrogate modeling for engineering design: Ensemble-free batch mode deep active learning for regression
von: Kapoor, Sarthak, et al.
Veröffentlicht: (2022)

AE-ViT: Stable Long-Horizon Parametric Partial Differential Equations Modeling
von: Mikuš, Iva, et al.
Veröffentlicht: (2026)