Buchumschlag

Neural network-driven domain decomposition for efficient solutions to the Helmholtz equation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dolean, Victorita, Hrebenshchykova, Daria, Lanteri, Stéphane, Michel-Dansac, Victor
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Numerical assessment of PML transmission conditions in a domain decomposition method for the Helmholtz equation
von: Bootland, Niall, et al.
Veröffentlicht: (2022)

Multilevel domain decomposition-based architectures for physics-informed neural networks
von: Dolean, Victorita, et al.
Veröffentlicht: (2023)

Modal analysis of a domain decomposition method for Maxwell's equations in a waveguide
von: Dolean, Victorita, et al.
Veröffentlicht: (2025)

Two-level preconditioners for the Helmholtz equation
von: Bonazzoli, Marcella, et al.
Veröffentlicht: (2017)

A two-level domain-decomposition preconditioner for the time-harmonic Maxwell's equations
von: Bonazzoli, Marcella, et al.
Veröffentlicht: (2017)

Preconditioning of GMRES for Helmholtz problems with quasimodes
von: Dolean, Victorita, et al.
Veröffentlicht: (2025)

Achieving wavenumber robustness in domain decomposition for heterogeneous Helmholtz equation: an overview of spectral coarse spaces
von: Dolean, Victorita, et al.
Veröffentlicht: (2025)

Are Deep Learning Based Hybrid PDE Solvers Reliable? Why Training Paradigms and Update Strategies Matter
von: Wu, Yuhan, et al.
Veröffentlicht: (2026)

Generalizing the SINDy approach with nested neural networks
von: Fiorini, Camilla, et al.
Veröffentlicht: (2024)

Can Symmetric Positive Definite (SPD) coarse spaces perform well for indefinite Helmholtz problems?
von: Dolean, Victorita, et al.
Veröffentlicht: (2024)

Nonlinear Multilevel Solution Strategies for Diffusive Wave Flood Models in Perforated Domains
von: Boutilier, Miranda, et al.
Veröffentlicht: (2024)

Robust Methods for Multiscale Coarse Approximations of Diffusion Models in Perforated Domains
von: Boutilier, Miranda, et al.
Veröffentlicht: (2023)

Symmetry group based domain decomposition to enhance physics-informed neural networks for solving partial differential equations
von: Liu, Ye, et al.
Veröffentlicht: (2024)

Efficient approximation of high-frequency Helmholtz solutions by Gaussian coherent states
von: Chaumont-Frelet, T., et al.
Veröffentlicht: (2022)

Convergence analysis of GMRES applied to Helmholtz problems near resonances
von: Dolean, Victorita, et al.
Veröffentlicht: (2025)

Local Feature Filtering for Scalable and Well-Conditioned Domain-Decomposed Random Feature Methods
von: van Beek, Jan Willem, et al.
Veröffentlicht: (2025)

ELM-FBPINNs: An Efficient Multilevel Random Feature Method
von: Anderson, Samuel, et al.
Veröffentlicht: (2024)

Schwarz preconditioner with $H_k$-GenEO coarse space for the indefinite Helmholtz problem
von: Dolean, Victorita, et al.
Veröffentlicht: (2024)

Out-of-distributional risk bounds for neural operators with applications to the Helmholtz equation
von: Benitez, J. Antonio Lara, et al.
Veröffentlicht: (2023)

Diffeomorphism Neural Operator for various domains and parameters of partial differential equations
von: Zhao, Zhiwei, et al.
Veröffentlicht: (2024)

A robust and adaptive GenEO-type domain decomposition preconditioner for $\mathbf{H}(\mathbf{curl})$ problems in three-dimensional general topologies
von: Bootland, Niall, et al.
Veröffentlicht: (2023)

Evaluation of data driven low-rank matrix factorization for accelerated solutions of the Vlasov equation
von: Jonnalagadda, Bhavana, et al.
Veröffentlicht: (2024)

Two-level deep domain decomposition method
von: Dolean, Victorita, et al.
Veröffentlicht: (2024)

A model-data asymptotic-preserving neural network method based on micro-macro decomposition for gray radiative transfer equations
von: Li, Hongyan, et al.
Veröffentlicht: (2022)

TVD-MOOD schemes based on implicit-explicit time integration
von: Michel-Dansac, Victor, et al.
Veröffentlicht: (2025)

Deep Neural networks for solving high-dimensional parabolic partial differential equations
von: Zhang, Wenzhong, et al.
Veröffentlicht: (2026)

A Guided Tour of Modern Domain Decomposition: From Schwarz Iterations to Robust Preconditioners and HPC Implementations
von: Dolean, Victorita, et al.
Veröffentlicht: (2026)

Domain decomposition architectures and Gauss-Newton training for physics-informed neural networks
von: Heinlein, Alexander, et al.
Veröffentlicht: (2025)

Approximation by non-symmetric networks for cross-domain learning
von: Mhaskar, Hrushikesh
Veröffentlicht: (2023)

Learning solution operators of PDEs defined on varying domains via MIONet
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

Towards a fully well-balanced and entropy-stable scheme for the Euler equations with gravity: General equations of state
von: Michel-Dansac, Victor, et al.
Veröffentlicht: (2024)

Spectral coarse spaces based on indefinite operators: the $H_k$-GenEO method
von: Chaumont-Frelet, Théophile, et al.
Veröffentlicht: (2026)

A deformation-based framework for learning solution mappings of PDEs defined on varying domains
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity
von: Dick, Josef, et al.
Veröffentlicht: (2025)

A Probabilistic Framework for Solving High-Frequency Helmholtz Equations via Diffusion Models
von: Zou, Yicheng, et al.
Veröffentlicht: (2026)

Neural network-enhanced integrators for simulating ordinary differential equations
von: Othmane, Amine, et al.
Veröffentlicht: (2025)

DPG loss functions for learning parameter-to-solution maps by neural networks
von: Castillo, Pablo Cortés, et al.
Veröffentlicht: (2025)

Energy stable neural network for gradient flow equations
von: Wu, Yue, et al.
Veröffentlicht: (2023)

Sharp bounds on Helmholtz impedance-to-impedance maps and application to overlapping domain decomposition
von: Lafontaine, David, et al.
Veröffentlicht: (2022)

BO-SA-PINNs: Self-adaptive physics-informed neural networks based on Bayesian optimization for automatically designing PDE solvers
von: Zhang, Rui, et al.
Veröffentlicht: (2025)