Buchumschlag

A Physics-Informed Meta-Learning Framework for the Continuous Solution of Parametric PDEs on Arbitrary Geometries

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Asl, Reza Najian, Yamazaki, Yusuke, Taghikhani, Kianoosh, Muramatsu, Mayu, Apel, Markus, Rezaei, Shahed
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

Finite Operator Learning: Bridging Neural Operators and Numerical Methods for Efficient Parametric Solution and Optimization of PDEs
von: Rezaei, Shahed, et al.
Veröffentlicht: (2024)

Tackling multiphysics problems via finite element-guided physics-informed operator learning
von: Yamazaki, Yusuke, et al.
Veröffentlicht: (2026)

Neural-Initialized Newton: Accelerating Nonlinear Finite Elements via Operator Learning
von: Taghikhani, Kianoosh, et al.
Veröffentlicht: (2025)

A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains
von: Yamazaki, Yusuke, et al.
Veröffentlicht: (2024)

Neural-Initialized Newton: Accelerating Nonlinear Finite Elements via Operator Learning
von: Taghikhani, Kianoosh
Veröffentlicht: (2025)

A finite operator learning technique for mapping the elastic properties of microstructures to their mechanical deformations
von: Rezaei, Shahed, et al.
Veröffentlicht: (2024)

A Finite Operator Learning Technique for Mapping the Elastic Properties of Microstructures to Their Mechanical Deformations
von: Shahed Rezaei, et al.
Veröffentlicht: (2024)

Integration of physics-informed operator learning and finite element method for parametric learning of partial differential equations
von: Rezaei, Shahed, et al.
Veröffentlicht: (2024)

Meta-Learned Basis Adaptation for Parametric Linear PDEs
von: Dwivedi, Vikas, et al.
Veröffentlicht: (2026)

Harnessing Scale and Physics: A Multi-Graph Neural Operator Framework for PDEs on Arbitrary Geometries
von: Li, Zhihao, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Neural Operators for Parametric PDEs
von: Zhang, Zhuo, et al.
Veröffentlicht: (2025)

Discrete Solution Operator Learning for Geometry-Dependent PDEs
von: Bai, Jinshuai, et al.
Veröffentlicht: (2026)

GFocal: A Global-Focal Neural Operator for Solving PDEs on Arbitrary Geometries
von: Fei, Fangzhi, et al.
Veröffentlicht: (2025)

Active Learning with Task-Driven Representations for Messy Pools
von: Ashouritaklimi, Kianoosh, et al.
Veröffentlicht: (2025)

Hybrid Iterative Solvers with Geometry-Aware Neural Preconditioners for Parametric PDEs
von: Lee, Youngkyu, et al.
Veröffentlicht: (2025)

Geometry Aware Operator Transformer as an Efficient and Accurate Neural Surrogate for PDEs on Arbitrary Domains
von: Wen, Shizheng, et al.
Veröffentlicht: (2025)

LFR-PINO: A Layered Fourier Reduced Physics-Informed Neural Operator for Parametric PDEs
von: Wang, Jing, et al.
Veröffentlicht: (2025)

SPINN: An Optimal Self-Supervised Physics-Informed Neural Network Framework
von: Pirayeshshirazinezhad, Reza
Veröffentlicht: (2025)

PGOT: A Physics-Geometry Operator Transformer for Complex PDEs
von: Zhang, Zhuo, et al.
Veröffentlicht: (2025)

Graph Fourier Neural Kernels (G-FuNK): Learning Solutions of Nonlinear Diffusive Parametric PDEs on Multiple Domains
von: Loeffler, Shane E., et al.
Veröffentlicht: (2024)

Zebra: In-Context Generative Pretraining for Solving Parametric PDEs
von: Serrano, Louis, et al.
Veröffentlicht: (2024)

Opportunities in deep learning methods development for computational biology
von: Lee, Alex Jihun, et al.
Veröffentlicht: (2024)

ScaLearn: Simple and Highly Parameter-Efficient Task Transfer by Learning to Scale
von: Frohmann, Markus, et al.
Veröffentlicht: (2023)

Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning
von: Pirayeshshirazinezhad, Reza
Veröffentlicht: (2026)

Learning a Neural Solver for Parametric PDE to Enhance Physics-Informed Methods
von: Boudec, Lise Le, et al.
Veröffentlicht: (2024)

Fourier Neural Operator with Learned Deformations for PDEs on General Geometries
von: Li, Zongyi, et al.
Veröffentlicht: (2022)

Introducing a microstructure-embedded autoencoder approach for reconstructing high-resolution solution field data from a reduced parametric space
von: Koopas, Rasoul Najafi, et al.
Veröffentlicht: (2024)

A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties
von: Koopas, Rasoul Najafi, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
von: Hoshisashi, Kentaro, et al.
Veröffentlicht: (2026)

Meta-learning Loss Functions of Parametric Partial Differential Equations Using Physics-Informed Neural Networks
von: Koumpanakis, Michail, et al.
Veröffentlicht: (2024)

MetaCD: A Meta Learning Framework for Cognitive Diagnosis based on Continual Learning
von: Wu, Jin, et al.
Veröffentlicht: (2025)

Multilevel CNNs for Parametric PDEs based on Adaptive Finite Elements
von: Schütte, Janina Enrica, et al.
Veröffentlicht: (2024)

Structure-Preserving Learning Improves Geometry Generalization in Neural PDEs
von: Shaffer, Benjamin D., et al.
Veröffentlicht: (2026)

Separated-Variable Spectral Neural Networks: A Physics-Informed Learning Approach for High-Frequency PDEs
von: Xiong, Xiong, et al.
Veröffentlicht: (2025)

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs
von: Farea, Afrah, et al.
Veröffentlicht: (2025)

Reduced-Basis Deep Operator Learning for Parametric PDEs with Independently Varying Boundary and Source Data
von: Wang, Yueqi, et al.
Veröffentlicht: (2025)

Effective Controllable Bias Mitigation for Classification and Retrieval using Gate Adapters
von: Masoudian, Shahed, et al.
Veröffentlicht: (2024)

Neural Operators Meet Energy-based Theory: Operator Learning for Hamiltonian and Dissipative PDEs
von: Tanaka, Yusuke, et al.
Veröffentlicht: (2024)

Reference Neural Operators: Learning the Smooth Dependence of Solutions of PDEs on Geometric Deformations
von: Cheng, Ze, et al.
Veröffentlicht: (2024)