Buchumschlag

Discrete Solution Operator Learning for Geometry-Dependent PDEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bai, Jinshuai, Li, Haolin, Khodaei, Zahra Sharif, Aliabadi, M. H., Gu, YuanTong, Feng, Xi-Qiao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Numerical Analysis Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Finite-PINN: A Physics-Informed Neural Network with Finite Geometric Encoding for Solid Mechanics
von: Li, Haolin, et al.
Veröffentlicht: (2024)

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

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

Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification
von: Xiao, Dong, et al.
Veröffentlicht: (2025)

Rigorous foundations of adaptive mode tracking in single-parametric Hermitian eigenvalue problems: existence theorems, error indicators, and application to SAFE dispersion analysis
von: Xiao, Dong, et al.
Veröffentlicht: (2026)

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

Homotopy continuation of viscoelastic waveguide dispersion curves: from intra-manifold tracking to inter-manifold transport
von: Xiao, Dong, et al.
Veröffentlicht: (2026)

An Efficient Deep Learning Approach for Approximating Parameter-to-Solution Maps of PDEs
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

Deflation-PINNs: Learning Multiple Solutions for PDEs and Landau-de Gennes
von: Disarò, Sean, et al.
Veröffentlicht: (2026)

Transolver: A Fast Transformer Solver for PDEs on General Geometries
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

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

Reduced-Basis Deep Operator Learning for Parametric PDEs with Independently Varying Boundary and Source Data
von: Wang, Yueqi, et al.
Veröffentlicht: (2025)

Enhancing Solutions for Complex PDEs: Introducing Complementary Convolution and Equivariant Attention in Fourier Neural Operators
von: Zhao, Xuanle, et al.
Veröffentlicht: (2023)

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

Point Cloud Neural Operator for Parametric PDEs on Complex and Variable Geometries
von: Zeng, Chenyu, et al.
Veröffentlicht: (2025)

UFO: A Domain-Unification-Free Operator Framework for Generalized Operator Learning
von: Qiao, Hanli, et al.
Veröffentlicht: (2026)

R-adaptive DeepONet: Learning Solution Operators for PDEs with Discontinuous Solutions Using an R-adaptive Strategy
von: Zhu, Yameng, et al.
Veröffentlicht: (2024)

Multi-Scale Finite Expression Method for PDEs with Oscillatory Solutions on Complex Domains
von: Hardwick, Gareth, et al.
Veröffentlicht: (2025)

Controlling Statistical, Discretization, and Truncation Errors in Learning Fourier Linear Operators
von: Subedi, Unique, et al.
Veröffentlicht: (2024)

Mamba Neural Operator: Who Wins? Transformers vs. State-Space Models for PDEs
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2024)

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

Approximation of Solution Operators for High-dimensional PDEs
von: Gaby, Nathan, et al.
Veröffentlicht: (2024)

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

Physics-Informed Geometry-Aware Neural Operator
von: Zhong, Weiheng, et al.
Veröffentlicht: (2024)

Enhanced BPINN Training Convergence in Solving General and Multi-scale Elliptic PDEs with Noise
von: Hou, Yilong, et al.
Veröffentlicht: (2024)

Kolmogorov Arnold Informed neural network: A physics-informed deep learning framework for solving forward and inverse problems based on Kolmogorov Arnold Networks
von: Wang, Yizheng, et al.
Veröffentlicht: (2024)

Physics-informed Discretization-independent Deep Compositional Operator Network
von: Zhong, Weiheng, et al.
Veröffentlicht: (2024)

HyCOP: Hybrid Composition Operators for Interpretable Learning of PDEs
von: Zhao, Jinpai, et al.
Veröffentlicht: (2026)

One-Shot Transfer Learning for Nonlinear PDEs with Perturbative PINNs
von: Auroy, Samuel, et al.
Veröffentlicht: (2025)

Don't Fix the Basis -- Learn It: Spectral Representation with Adaptive Basis Learning for PDEs
von: Zhao, Xuxiang, et al.
Veröffentlicht: (2026)

Polyhedral Discretizations for Elliptic PDEs
von: Liu, Junyu, et al.
Veröffentlicht: (2024)

Stabilizing and Solving Unique Continuation Problems by Parameterizing Data and Learning Finite Element Solution Operators
von: Burman, Erik, et al.
Veröffentlicht: (2024)

Data-Efficient Kernel Methods for Learning Differential Equations and Their Solution Operators: Algorithms and Error Analysis
von: Jalalian, Yasamin, et al.
Veröffentlicht: (2025)

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

Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs
von: Mouli, S. Chandra, et al.
Veröffentlicht: (2024)

ZNO: Stable Rational Neural Operators in the Z-Domain for Discrete-Time Dynamics
von: Zhu, Xianli, et al.
Veröffentlicht: (2026)

Neural Parameter Regression for Explicit Representations of PDE Solution Operators
von: Mundinger, Konrad, et al.
Veröffentlicht: (2024)

Finite Element Neural Network Interpolation. Part I: Interpretable and Adaptive Discretization for Solving PDEs
von: Škardová, Kateřina, et al.
Veröffentlicht: (2024)

Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space
von: Yue, Xihang, et al.
Veröffentlicht: (2024)

Structure-preserving learning for multi-symplectic PDEs
von: Yıldız, Süleyman, et al.
Veröffentlicht: (2024)