Buchumschlag

Scalable learning of macroscopic stochastic dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Mengyi, Huang, Pengru, Novoselov, Kostya S., Li, Qianxiao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computational Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Macroscopic Dynamics from Partial Microscopic Observations
von: Chen, Mengyi, et al.
Veröffentlicht: (2024)

Learning Permutation-invariant Macroscopic Dynamics
von: Han, Zhichao, et al.
Veröffentlicht: (2026)

DynGMA: a robust approach for learning stochastic differential equations from data
von: Zhu, Aiqing, et al.
Veröffentlicht: (2024)

Modeling crystal defects using defect-informed neural networks
von: Yang, Ziduo, et al.
Veröffentlicht: (2025)

Diagonalization without Diagonalization: A Direct Optimization Approach for Solid-State Density Functional Theory
von: Li, Tianbo, et al.
Veröffentlicht: (2024)

SPIEDiff: robust learning of long-time macroscopic dynamics from short-time particle simulations with quantified epistemic uncertainty
von: He, Zequn, et al.
Veröffentlicht: (2025)

Controlling dynamics of stochastic systems with deep reinforcement learning
von: Mukhamadiarov, Ruslan
Veröffentlicht: (2025)

Composable Crystals: Controllable Materials Discovery via Concept Learning
von: Liu, Nian, et al.
Veröffentlicht: (2026)

Operator learning regularization for macroscopic permeability prediction in dual-scale flow problem
von: Runkel, Christina, et al.
Veröffentlicht: (2024)

Identifiable learning of dissipative dynamics
von: Zhu, Aiqing, et al.
Veröffentlicht: (2025)

Scalable physics-informed deep generative model for solving forward and inverse stochastic differential equations
von: Zhou, Shaoqian, et al.
Veröffentlicht: (2025)

Crys-JEPA: Accelerating Crystal Discovery via Embedding Screening and Generative Refinement
von: Liu, Nian, et al.
Veröffentlicht: (2026)

Scalable learning of potentials to predict time-dependent Hartree-Fock dynamics
von: Bhat, Harish S., et al.
Veröffentlicht: (2024)

StableSSM: Alleviating the Curse of Memory in State-space Models through Stable Reparameterization
von: Wang, Shida, et al.
Veröffentlicht: (2023)

Model selection for stochastic dynamics: a parsimonious and principled approach
von: Gerardos, Andonis
Veröffentlicht: (2025)

Continuity-Preserving Convolutional Autoencoders for Learning Continuous Latent Dynamical Models from Images
von: Zhu, Aiqing, et al.
Veröffentlicht: (2025)

Generative learning for nonlinear dynamics
von: Gilpin, William
Veröffentlicht: (2023)

A predictive machine learning force field framework for liquid electrolyte development
von: Gong, Sheng, et al.
Veröffentlicht: (2024)

Accurate generation of stochastic dynamics based on multi-model Generative Adversarial Networks
von: Lanzoni, Daniele, et al.
Veröffentlicht: (2023)

Multi-resolution partial differential equations preserved learning framework for spatiotemporal dynamics
von: Liu, Xin-Yang, et al.
Veröffentlicht: (2022)

Learning stochastic dynamics from snapshots through regularized unbalanced optimal transport
von: Zhang, Zhenyi, et al.
Veröffentlicht: (2024)

Efficient and Scalable Density Functional Theory Hamiltonian Prediction through Adaptive Sparsity
von: Luo, Erpai, et al.
Veröffentlicht: (2025)

Learning task-specific predictive models for scientific computing
von: Yin, Jianyuan, et al.
Veröffentlicht: (2025)

From Generalization Analysis to Optimization Designs for State Space Models
von: Liu, Fusheng, et al.
Veröffentlicht: (2024)

Autocorrelation Matters: Understanding the Role of Initialization Schemes for State Space Models
von: Liu, Fusheng, et al.
Veröffentlicht: (2024)

Approximation Rate of the Transformer Architecture for Sequence Modeling
von: Jiang, Haotian, et al.
Veröffentlicht: (2023)

Meta-learning characteristics and dynamics of quantum systems
von: Schorling, Lucas, et al.
Veröffentlicht: (2025)

Physically consistent and uncertainty-aware learning of spatiotemporal dynamics
von: Xu, Qingsong, et al.
Veröffentlicht: (2025)

Deep learning and the rate of approximation by flows
von: Cheng, Jingpu, et al.
Veröffentlicht: (2026)

Multi-property directed generative design of inorganic materials through Wyckoff-augmented transfer learning
von: Yamazaki, Shuya, et al.
Veröffentlicht: (2025)

Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning
von: Lu, Minglei, et al.
Veröffentlicht: (2024)

Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic potentials
von: Zaverkin, Viktor, et al.
Veröffentlicht: (2023)

Gradient-free online learning of subgrid-scale dynamics with neural emulators
von: Frezat, Hugo, et al.
Veröffentlicht: (2023)

Accelerating Legacy Numerical Solvers by Non-intrusive Gradient-based Meta-solving
von: Arisaka, Sohei, et al.
Veröffentlicht: (2024)

Unifying back-propagation and forward-forward algorithms through model predictive control
von: Ren, Lianhai, et al.
Veröffentlicht: (2024)

Mitigating distribution shift in machine learning-augmented hybrid simulation
von: Zhao, Jiaxi, et al.
Veröffentlicht: (2024)

Scalable quantum dynamics compilation via quantum machine learning
von: Zhang, Yuxuan, et al.
Veröffentlicht: (2024)

MLPs and KANs for data-driven learning in physical problems: A performance comparison
von: Pant, Raghav, et al.
Veröffentlicht: (2025)

Improved machine learning algorithm for predicting ground state properties
von: Lewis, Laura, et al.
Veröffentlicht: (2023)

Path-integral molecular dynamics with actively-trained and universal machine learning force fields
von: Solovykh, A. A., et al.
Veröffentlicht: (2025)