Buchumschlag

Physics-informed Polynomial Chaos Expansion with Enhanced Constrained Optimization Solver and D-optimal Sampling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Qitian, Sharma, Himanshu, Shields, Michael D., Novák, Lukáš
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

Polynomial Chaos Expansion for Operator Learning
von: Sharma, Himanshu, et al.
Veröffentlicht: (2025)

Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
von: Sharma, Himanshu, et al.
Veröffentlicht: (2024)

On Fractional Moment Estimation from Polynomial Chaos Expansion
von: Novák, Lukáš, et al.
Veröffentlicht: (2024)

Polynomial Chaos Expansions on Principal Geodesic Grassmannian Submanifolds for Surrogate Modeling and Uncertainty Quantification
von: Giovanis, Dimitris G., et al.
Veröffentlicht: (2024)

Deep Polynomial Chaos Expansion
von: Exenberger, Johannes, et al.
Veröffentlicht: (2025)

Physics‐informed Polynomial Chaos Expansion for Uncertainty Quantification of S‐N Curves
von: Lukáš Novák, et al.
Veröffentlicht: (2025)

Bayesian Adaptive Polynomial Chaos Expansions
von: Rumsey, Kellin N., et al.
Veröffentlicht: (2025)

Self-Supervised Learning of Iterative Solvers for Constrained Optimization
von: Lüken, Lukas, et al.
Veröffentlicht: (2024)

Conformalized Polynomial Chaos Expansion for Uncertainty-aware Surrogate Modeling
von: Loukrezis, Dimitrios, et al.
Veröffentlicht: (2025)

Maximum a Posteriori Estimation for Linear Structural Dynamics Models Using Bayesian Optimization with Rational Polynomial Chaos Expansions
von: Schneider, Felix, et al.
Veröffentlicht: (2024)

Physics-Informed Gaussian Process Regression for the Constitutive Modeling of Concrete: A Data-Driven Improvement to Phenomenological Models
von: Li, Chenyang, et al.
Veröffentlicht: (2026)

Learning thermodynamically constrained equations of state with uncertainty
von: Sharma, Himanshu, et al.
Veröffentlicht: (2023)

Neural Chaos: A Spectral Stochastic Neural Operator
von: Bahmani, Bahador, et al.
Veröffentlicht: (2025)

Graph Attention Specialized Expert Fusion Model for Node Classification: Based on Cora and Pubmed Datasets
von: Ma, Zihang, et al.
Veröffentlicht: (2025)

A Physics-informed Multi-resolution Neural Operator
von: Roy, Sumanta, et al.
Veröffentlicht: (2025)

Polynomial Chaos Expanded Gaussian Process
von: Polke, Dominik, et al.
Veröffentlicht: (2024)

Physics-informed Gaussian Processes for Safe Envelope Expansion
von: Harp, D. Isaiah, et al.
Veröffentlicht: (2025)

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves
von: Pasparakis, George D., et al.
Veröffentlicht: (2026)

Parameter-Minimal Neural DE Solvers via Horner Polynomials
von: Matulić, T., et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Machine Learning-Based Prediction: A Polynomial Chaos Expansion Approach for Joint Model and Input Uncertainty Propagation
von: Du, Xiaoping
Veröffentlicht: (2025)

A Green-Integral-Constrained Neural Solver with Stochastic Physics-Informed Regularization
von: Abedi, Mohammad Mahdi, et al.
Veröffentlicht: (2026)

SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models
von: Xue, Shuchen, et al.
Veröffentlicht: (2023)

DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models
von: Lu, Cheng, et al.
Veröffentlicht: (2022)

Analytical Extraction of Conditional Sobol' Indices via Basis Decomposition of Polynomial Chaos Expansions
von: Zhong, Shijie, et al.
Veröffentlicht: (2026)

Progressively Sampled Equality-Constrained Optimization
von: Curtis, Frank E., et al.
Veröffentlicht: (2025)

Supercharging Graph Transformers with Advective Diffusion
von: Wu, Qitian, et al.
Veröffentlicht: (2023)

Kernel Learning for Sample Constrained Black-Box Optimization
von: Rajagopalan, Rajalaxmi, et al.
Veröffentlicht: (2025)

Physics-informed Reduced Order Modeling of Time-dependent PDEs via Differentiable Solvers
von: Dashtbayaz, Nima Hosseini, et al.
Veröffentlicht: (2025)

DeepSPoC: A Deep Learning-Based PDE Solver Governed by Sequential Propagation of Chaos
von: Du, Kai, et al.
Veröffentlicht: (2024)

Learning to Solve Constrained Bilevel Control Co-Design Problems
von: Kotary, James, et al.
Veröffentlicht: (2025)

Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations
von: Shi, Dai, et al.
Veröffentlicht: (2026)

Transformers from Diffusion: A Unified Framework for Neural Message Passing
von: Wu, Qitian, et al.
Veröffentlicht: (2024)

Efficient Training of Multi-task Neural Solver for Combinatorial Optimization
von: Wang, Chenguang, et al.
Veröffentlicht: (2023)

Mode-Shape Expansion Using Physics-Constrained Gaussian Process Regression
von: Ghahari, Farid
Veröffentlicht: (2026)

PAINET: A Principled Efficient Transformer for 3D Dynamics Modeling
von: Yang, Kai, et al.
Veröffentlicht: (2025)

DiffPuter: Empowering Diffusion Models for Missing Data Imputation
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

Diffusion-nested Auto-Regressive Synthesis of Heterogeneous Tabular Data
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

Polynomial Expansion Rank Adaptation: Enhancing Low-Rank Fine-Tuning with High-Order Interactions
von: Zhang, Wenhao, et al.
Veröffentlicht: (2026)

Verifier-Constrained Flow Expansion for Discovery Beyond the Data
von: De Santi, Riccardo, et al.
Veröffentlicht: (2026)

Learning a Neural Solver for Parametric PDE to Enhance Physics-Informed Methods
von: Boudec, Lise Le, et al.
Veröffentlicht: (2024)