Buchumschlag

Efficient probabilistic surrogate modeling techniques for partially-observed large-scale dynamical systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Harder, Hans, Vishwasrao, Abhijeet, Guastoni, Luca, Vinuesa, Ricardo, Peitz, Sebastian
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

Solving Partial Differential Equations with Equivariant Extreme Learning Machines
von: Harder, Hans, et al.
Veröffentlicht: (2024)

Equivariance and partial observations in Koopman operator theory for partial differential equations
von: Peitz, Sebastian, et al.
Veröffentlicht: (2023)

Koopman-based surrogate modeling for reinforcement-learning-control of Rayleigh-Benard convection
von: Plotzki, Tim, et al.
Veröffentlicht: (2026)

Surrogate Modeling of 3D Rayleigh-Benard Convection with Equivariant Autoencoders
von: Fromme, Fynn, et al.
Veröffentlicht: (2025)

Easy attention: A simple attention mechanism for temporal predictions with transformers
von: Sanchis-Agudo, Marcial, et al.
Veröffentlicht: (2023)

SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion
von: Hotegni, Sedjro Salomon, et al.
Veröffentlicht: (2025)

Policy-DRIFT: Dynamic Reward-Informed Flow Trajectory Steering
von: Mahajan, Atharva, et al.
Veröffentlicht: (2026)

AeroJEPA: Learning Semantic Latent Representations for Scalable 3D Aerodynamic Field Modeling
von: Giral, Francisco, et al.
Veröffentlicht: (2026)

Towards scalable surrogate models based on Neural Fields for large scale aerodynamic simulations
von: Catalani, Giovanni, et al.
Veröffentlicht: (2025)

PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics
von: Franz, Aleksandra, et al.
Veröffentlicht: (2025)

Automatic feature identification in least-squares policy iteration using the Koopman operator framework
von: Zagabe, Christian Mugisho, et al.
Veröffentlicht: (2026)

Multi-objective Deep Learning: Taxonomy and Survey of the State of the Art
von: Peitz, Sebastian, et al.
Veröffentlicht: (2024)

Deterministic and probabilistic neural surrogates of global hybrid-Vlasov simulations
von: Holmberg, Daniel, et al.
Veröffentlicht: (2026)

On the continuity and smoothness of the value function in reinforcement learning and optimal control
von: Harder, Hans, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Robustness through Multi-Objective Representation Learning
von: Hotegni, Sedjro Salomon, et al.
Veröffentlicht: (2024)

On the importance of structural identifiability for machine learning with partially observed dynamical systems
von: Norden, Janis, et al.
Veröffentlicht: (2025)

Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems
von: Haitsiukevich, Katsiaryna, et al.
Veröffentlicht: (2024)

Improving turbulence control through explainable deep learning
von: Beneitez, Miguel, et al.
Veröffentlicht: (2025)

Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control
von: Becktepe, Jannis, et al.
Veröffentlicht: (2026)

Generalized probabilistic canonical correlation analysis for multi-modal data integration with full or partial observations
von: Yang, Tianjian, et al.
Veröffentlicht: (2025)

Guiding diffusion models to reconstruct flow fields from sparse data
von: Amorós-Trepat, Marc, et al.
Veröffentlicht: (2025)

Surrogate-assisted multi-objective design of complex multibody systems
von: Amakor, Augustina C., et al.
Veröffentlicht: (2024)

Hybrid additive modeling with partial dependence for supervised regression and dynamical systems forecasting
von: Claes, Yann, et al.
Veröffentlicht: (2023)

Improving the Robustness of Control of Chaotic Convective Flows with Domain-Informed Reinforcement Learning
von: Straat, Michiel, et al.
Veröffentlicht: (2025)

Control of Rayleigh-Bénard Convection: Effectiveness of Reinforcement Learning in the Turbulent Regime
von: Markmann, Thorben, et al.
Veröffentlicht: (2025)

Efficient quantification on large-scale networks
von: Micheli, Alessio, et al.
Veröffentlicht: (2025)

A multiobjective continuation method to compute the regularization path of deep neural networks
von: Amakor, Augustina C., et al.
Veröffentlicht: (2023)

mNARX+: A surrogate model for complex dynamical systems using manifold-NARX and automatic feature selection
von: Schär, S., et al.
Veröffentlicht: (2025)

CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models
von: Herdeanu, Benjamin, et al.
Veröffentlicht: (2025)

Revisiting Score Function Estimators for $k$-Subset Sampling
von: Wijk, Klas, et al.
Veröffentlicht: (2024)

Deep reinforcement learning for the management of the wall regeneration cycle in wall-bounded turbulent flows
von: Cavallazzi, Giorgio Maria, et al.
Veröffentlicht: (2024)

Pseudo-rigid body networks: learning interpretable deformable object dynamics from partial observations
von: Mamedov, Shamil, et al.
Veröffentlicht: (2023)

Towards diffusion models for large-scale sea-ice modelling
von: Finn, Tobias Sebastian, et al.
Veröffentlicht: (2024)

Explainable deep reinforcement learning reveals energy-efficient control strategies for turbulent drag reduction
von: Tonti, Federica, et al.
Veröffentlicht: (2026)

Predicting partially observable dynamical systems via diffusion models with a multiscale inference scheme
von: Morel, Rudy, et al.
Veröffentlicht: (2025)

Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale
von: Cheng, Sibo, et al.
Veröffentlicht: (2024)

Bayesian Transfer Operators in Reproducing Kernel Hilbert Spaces
von: Boshoff, Septimus, et al.
Veröffentlicht: (2025)

Multi-Objective Optimization for Sparse Deep Multi-Task Learning
von: Hotegni, S. S., et al.
Veröffentlicht: (2023)

Optimal estimators of cross-partial derivatives and surrogates of functions
von: Lamboni, Matieyendou
Veröffentlicht: (2024)

Understanding with toy surrogate models in machine learning
von: Páez, Andrés
Veröffentlicht: (2024)