Buchumschlag

Integral regularization PINNs for evolution equations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Xiaodong, Shangguan, Haojiong, Tang, Tao, Wan, Xiaoliang
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

A hybrid FEM-PINN method for time-dependent partial differential equations
von: Feng, Xiaodong, et al.
Veröffentlicht: (2024)

FLUID: Flow-based Unified Inference for Dynamics
von: Cui, Tiangang, et al.
Veröffentlicht: (2026)

Stochastic Dimension Implicit Functional Projections for Exact Integral Conservation in High-Dimensional PINNs
von: Liang, Zhangyong
Veröffentlicht: (2026)

Coupling the reduced-order model and the generative model for an importance sampling estimator
von: Wan, Xiaoliang, et al.
Veröffentlicht: (2019)

Understanding the Difficulty of Solving Cauchy Problems with PINNs
von: Wang, Tao, et al.
Veröffentlicht: (2024)

Adversarial Adaptive Sampling: Unify PINN and Optimal Transport for the Approximation of PDEs
von: Tang, Kejun, et al.
Veröffentlicht: (2023)

Overcoming Spectral Bias via Cross-Attention
von: Feng, Xiaodong, et al.
Veröffentlicht: (2025)

RL-PINNs: Reinforcement Learning-Driven Adaptive Sampling for Efficient Training of PINNs
von: Song, Zhenao
Veröffentlicht: (2025)

PINNs error estimates for nonlinear equations in $\mathbb{R}$-smooth Banach spaces
von: Gao, Jiexing, et al.
Veröffentlicht: (2023)

Deep adaptive sampling for surrogate modeling without labeled data
von: Wang, Xili, et al.
Veröffentlicht: (2024)

Auto-Adaptive PINNs with Applications to Phase Transitions
von: Buck, Kevin, et al.
Veröffentlicht: (2025)

E-PINNs: Epistemic Physics-Informed Neural Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2025)

Multi-Preconditioned LBFGS for Training Finite-Basis PINNs
von: Salvadó-Benasco, Marc, et al.
Veröffentlicht: (2026)

Accelerating Fractional PINNs using Operational Matrices of Derivative
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

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

Using Parametric PINNs for Predicting Internal and External Turbulent Flows
von: Ghosh, Shinjan, et al.
Veröffentlicht: (2024)

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

High precision PINNs in unbounded domains: application to singularity formulation in PDEs
von: Wang, Yixuan, et al.
Veröffentlicht: (2025)

Accelerating Natural Gradient Descent for PINNs with Randomized Numerical Linear Algebra
von: Bioli, Ivan, et al.
Veröffentlicht: (2025)

Beyond Derivative Pathology of PINNs: Variable Splitting Strategy with Convergence Analysis
von: Park, Yesom, et al.
Veröffentlicht: (2024)

Deflation-PINNs: Learning Multiple Solutions for PDEs and Landau-de Gennes
von: Disarò, Sean, et al.
Veröffentlicht: (2026)

PINNsFailureRegion Localization and Refinement through White-box AdversarialAttack
von: Shi, Shengzhu, et al.
Veröffentlicht: (2023)

Boundary condition enforcement with PINNs: a comparative study and verification on 3D geometries
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

Certified machine learning: Rigorous a posteriori error bounds for PDE defined PINNs
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2022)

SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition
von: Gao, Yihang, et al.
Veröffentlicht: (2022)

Investigating the Ability of PINNs To Solve Burgers' PDE Near Finite-Time BlowUp
von: Kumar, Dibyakanti, et al.
Veröffentlicht: (2023)

KD-PINN: Knowledge-Distilled PINNs for ultra-low-latency real-time neural PDE solvers
von: Bounja, Karim, et al.
Veröffentlicht: (2025)

Geometry-aware PINNs for Turbulent Flow Prediction
von: Ghosh, Shinjan, et al.
Veröffentlicht: (2024)

Physics-informed neural networks (PINNs) for numerical model error approximation and superresolution
von: Zhuang, Bozhou, et al.
Veröffentlicht: (2024)

HomPINNs: homotopy physics-informed neural networks for solving the inverse problems of nonlinear differential equations with multiple solutions
von: Zheng, Haoyang, et al.
Veröffentlicht: (2023)

Improving PINNs By Algebraic Inclusion of Boundary and Initial Conditions
von: Ren, Mohan, et al.
Veröffentlicht: (2024)

BWLer: Barycentric Weight Layer Elucidates a Precision-Conditioning Tradeoff for PINNs
von: Liu, Jerry, et al.
Veröffentlicht: (2025)

Scaling Laws and Pathologies of Single-Layer PINNs: Network Width and PDE Nonlinearity
von: Chaudhry, Faris
Veröffentlicht: (2026)

Integral Operator Approaches for Scattered Data Fitting on Spheres
von: Lin, Shao-Bo
Veröffentlicht: (2024)

Universal Approximation of Operators with Transformers and Neural Integral Operators
von: Zappala, Emanuele, et al.
Veröffentlicht: (2024)

Deep Neural Network Solutions for Oscillatory Fredholm Integral Equations
von: Jiang, Jie, et al.
Veröffentlicht: (2024)

Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm
von: Shahab, Muhammad Luthfi, et al.
Veröffentlicht: (2026)

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

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

How Discrete and Continuous Diffusion Meet: Comprehensive Analysis of Discrete Diffusion Models via a Stochastic Integral Framework
von: Ren, Yinuo, et al.
Veröffentlicht: (2024)