Buchumschlag

Neural Interpretable PDEs: Harmonizing Fourier Insights with Attention for Scalable and Interpretable Physics Discovery

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Ning, Yu, Yue
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing Solutions for Complex PDEs: Introducing Complementary Convolution and Equivariant Attention in Fourier Neural Operators
von: Zhao, Xuanle, et al.
Veröffentlicht: (2023)

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

Finite Element Neural Network Interpolation. Part I: Interpretable and Adaptive Discretization for Solving PDEs
von: Škardová, Kateřina, et al.
Veröffentlicht: (2024)

Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space
von: Yue, Xihang, et al.
Veröffentlicht: (2024)

HyCOP: Hybrid Composition Operators for Interpretable Learning of PDEs
von: Zhao, Jinpai, et al.
Veröffentlicht: (2026)

Neural Measures for learning distributions of Random PDEs
von: Arampatzis, Georgios, et al.
Veröffentlicht: (2025)

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

FastLSQ: Solving PDEs in One Shot via Fourier Features with Exact Analytical Derivatives
von: Sulc, Antonin
Veröffentlicht: (2026)

Resolution invariant deep operator network for PDEs with complex geometries
von: Huang, Jianguo, et al.
Veröffentlicht: (2024)

Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation
von: Zhang, Rui, et al.
Veröffentlicht: (2023)

Nonlocal Attention Operator: Materializing Hidden Knowledge Towards Interpretable Physics Discovery
von: Yu, Yue, et al.
Veröffentlicht: (2024)

Parameterized Physics-informed Neural Networks for Parameterized PDEs
von: Cho, Woojin, et al.
Veröffentlicht: (2024)

Predictions Based on Pixel Data: Insights from PDEs and Finite Differences
von: Celledoni, Elena, et al.
Veröffentlicht: (2023)

Latent Neural Operator Pretraining for Solving Time-Dependent PDEs
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Supervised and Unsupervised Neural Network Solver for First Order Hyperbolic Nonlinear PDEs
von: Baba, Zakaria, et al.
Veröffentlicht: (2026)

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

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

TINNs: Time-Induced Neural Networks for Solving Time-Dependent PDEs
von: Dai, Chen-Yang, et al.
Veröffentlicht: (2026)

Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
von: Zhao, Yuxuan, et al.
Veröffentlicht: (2026)

On the Limits of Interpretable Machine Learning in Quintic Root Classification
von: Thomas, Rohan, et al.
Veröffentlicht: (2026)

Solving Roughly Forced Nonlinear PDEs via Misspecified Kernel Methods and Neural Networks
von: Baptista, Ricardo, et al.
Veröffentlicht: (2025)

Mamba Neural Operator: Who Wins? Transformers vs. State-Space Models for PDEs
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2024)

Adaptive-Distribution Randomized Neural Networks for PDEs: A Low-Dimensional Distribution-Learning Framework
von: Yang, You, et al.
Veröffentlicht: (2026)

Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks
von: Katende, Ronald
Veröffentlicht: (2025)

Component Fourier Neural Operator for Singularly Perturbed Differential Equations
von: Li, Ye, et al.
Veröffentlicht: (2024)

Continuum Attention for Neural Operators
von: Calvello, Edoardo, et al.
Veröffentlicht: (2024)

Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems
von: Chenaud, Marien, et al.
Veröffentlicht: (2024)

Fourier Neural Operators for Non-Markovian Processes:Approximation Theorems and Experiments
von: Lee, Wonjae, et al.
Veröffentlicht: (2025)

Beyond Regular Grids: Fourier-Based Neural Operators on Arbitrary Domains
von: Lingsch, Levi, et al.
Veröffentlicht: (2023)

Autoregression-Free Neural Operators for Time-Dependent PDEs
von: Zhang, Jiaquan, et al.
Veröffentlicht: (2026)

Learning High-dimensional Ionic Model Dynamics Using Fourier Neural Operators
von: Pellegrini, Luca, et al.
Veröffentlicht: (2025)

Approximating Numerical Fluxes Using Fourier Neural Operators for Hyperbolic Conservation Laws
von: Kim, Taeyoung, et al.
Veröffentlicht: (2024)

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

Decentralized Neural Networks for Robust and Scalable Eigenvalue Computation
von: Katende, Ronald
Veröffentlicht: (2024)

Adaptive-Growth Randomized Neural Networks for Level-Set Computation of Multivalued Nonlinear First-Order PDEs with Hyperbolic Characteristics
von: Dang, Haoning, et al.
Veröffentlicht: (2026)

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

CONFIDE: Contextual Finite Differences Modelling of PDEs
von: Linial, Ori, et al.
Veröffentlicht: (2023)

Solving PDEs on Unknown Manifolds with Machine Learning
von: Liang, Senwei, et al.
Veröffentlicht: (2021)

DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving
von: Yue, Xihang, et al.
Veröffentlicht: (2024)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)