Buchumschlag

GFocal: A Global-Focal Neural Operator for Solving PDEs on Arbitrary Geometries

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fei, Fangzhi, Hu, Jiaxin, Li, Qiaofeng, Liu, Zhenyu
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

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

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

BENO: Boundary-embedded Neural Operators for Elliptic PDEs
von: Wang, Haixin, et al.
Veröffentlicht: (2024)

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

Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs
von: Rahman, Md Ashiqur, et al.
Veröffentlicht: (2024)

Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs
von: George, Robert Joseph, et al.
Veröffentlicht: (2022)

Walsh-Hadamard Neural Operators for Solving PDEs with Discontinuous Coefficients
von: Cavallazzi, Giorgio M., et al.
Veröffentlicht: (2025)

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

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

Learning to Solve PDEs on Neural Shape Representations
von: Welschinger, Lilian, et al.
Veröffentlicht: (2025)

A Physics-Informed Meta-Learning Framework for the Continuous Solution of Parametric PDEs on Arbitrary Geometries
von: Asl, Reza Najian, et al.
Veröffentlicht: (2025)

DyMixOp: A Neural Operator Designed from a Complex Dynamics Perspective with Local-Global Mixing for Solving PDEs
von: Lai, Pengyu, et al.
Veröffentlicht: (2025)

Sumudu Neural Operator for ODEs and PDEs
von: Zelenskiy, Ben, et al.
Veröffentlicht: (2025)

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

DeepONet Augmented by Randomized Neural Networks for Efficient Operator Learning in PDEs
von: Jiang, Zhaoxi, et al.
Veröffentlicht: (2025)

Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries
von: Luo, Huakun, et al.
Veröffentlicht: (2025)

A Unified Analysis of Stochastic Gradient Descent with Arbitrary Data Permutations and Beyond
von: Li, Yipeng, et al.
Veröffentlicht: (2025)

DRIFT-Net: A Spectral--Coupled Neural Operator for PDEs Learning
von: Li, Jiayi, et al.
Veröffentlicht: (2025)

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

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

Multi-Scale Separable Fourier Neural Networks for Solving High-Frequency PDEs
von: Yang, Qihong, et al.
Veröffentlicht: (2026)

RBF-MGN:Solving spatiotemporal PDEs with Physics-informed Graph Neural Network
von: Xiang, Zixue, et al.
Veröffentlicht: (2022)

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

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

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

Loss Jump During Loss Switch in Solving PDEs with Neural Networks
von: Wang, Zhiwei, et al.
Veröffentlicht: (2024)

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

SetONet: A Set-Based Operator Network for Solving PDEs with Variable-Input Sampling
von: Tretiakov, Stepan, et al.
Veröffentlicht: (2025)

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

Geometry-Informed Neural Operator Transformer
von: Liu, Qibang, et al.
Veröffentlicht: (2025)

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

Operator Learning with Domain Decomposition for Geometry Generalization in PDE Solving
von: Huang, Jianing, et al.
Veröffentlicht: (2025)

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

Neural-Schwarz Tiling for Geometry-Universal PDE Solving at Scale
von: Secchi, Paolo, et al.
Veröffentlicht: (2026)

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

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

Lotka-Sharpe Neural Operators for Control of Population PDEs
von: Krstic, Miroslav, et al.
Veröffentlicht: (2026)

Solving PDEs With Deep Neural Nets under General Boundary Conditions
von: Zhang, Chenggong
Veröffentlicht: (2025)

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

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