Buchumschlag

Data-driven stochastic reduced-order modeling of parametrized dynamical systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ilersich, Andrew F., Course, Kevin, Nair, Prasanth B.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Stochastic Multiscale Models
von: Ilersich, Andrew F., et al.
Veröffentlicht: (2025)

Scalable Gaussian process modeling of parametrized spatio-temporal fields
von: Dama, Srinath, et al.
Veröffentlicht: (2026)

Data-driven local operator finding for reduced-order modelling of plasma systems: II. Application to parametric dynamics
von: Faraji, Farbod, et al.
Veröffentlicht: (2024)

Blending data and physics for reduced-order modeling of systems with spatiotemporal chaotic dynamics
von: Guo, Alex, et al.
Veröffentlicht: (2025)

Learning effective dynamics from data-driven stochastic systems
von: Feng, Lingyu, et al.
Veröffentlicht: (2022)

Data-driven local operator finding for reduced-order modelling of plasma systems: I. Concept and verifications
von: Faraji, Farbod, et al.
Veröffentlicht: (2024)

Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference
von: McQuarrie, Shane A., et al.
Veröffentlicht: (2025)

Real-time optimal control of high-dimensional parametrized systems by deep learning-based reduced order models
von: Tomasetto, Matteo, et al.
Veröffentlicht: (2024)

On latent dynamics learning in nonlinear reduced order modeling
von: Farenga, Nicola, et al.
Veröffentlicht: (2024)

Data-driven multiscale modeling for correcting dynamical systems
von: Otness, Karl, et al.
Veröffentlicht: (2023)

An adjoint method for training data-driven reduced-order models
von: Liu, Donglin, et al.
Veröffentlicht: (2026)

Coarse graining and reduced order models for plume ejection dynamics
von: Salas, Ike Griss, et al.
Veröffentlicht: (2025)

Enhanced physics-informed neural networks (PINNs) for high-order power grid dynamics
von: Nair, Vineet Jagadeesan
Veröffentlicht: (2024)

A new methodology to decompose a parametric domain using reduced order data manifold in machine learning
von: Mang, Chetra, et al.
Veröffentlicht: (2025)

Slim multi-scale convolutional autoencoder-based reduced-order models for interpretable features of a complex dynamical system
von: Teutsch, Philipp, et al.
Veröffentlicht: (2025)

Machine-learning invariant foliations in forced systems for reduced order modelling
von: Szalai, Robert
Veröffentlicht: (2024)

PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs
von: Brivio, Simone, et al.
Veröffentlicht: (2024)

Data driven modeling for self-similar dynamics
von: Tao, Ruyi, et al.
Veröffentlicht: (2023)

Nonlocal Kramers-Moyal formulas and data-driven discovery of stochastic dynamical systems with multiplicative Lévy noise
von: Li, Yang, et al.
Veröffentlicht: (2026)

Data-driven identification of nonlinear dynamical systems with LSTM autoencoders and Normalizing Flows
von: Rostamijavanani, Abdolvahhab, et al.
Veröffentlicht: (2025)

Data-driven model order reduction for structures with piecewise linear nonlinearity using dynamic mode decomposition
von: Saito, Akira, et al.
Veröffentlicht: (2026)

Non-linear reduced modeling of dynamical systems using kernel methods and low-rank approximation
von: Héas, Patrick, et al.
Veröffentlicht: (2017)

Towards a machine learning pipeline in reduced order modelling for inverse problems: neural networks for boundary parametrization, dimensionality reduction and solution manifold approximation
von: Ivagnes, Anna, et al.
Veröffentlicht: (2022)

Bernstein-von Mises for Adaptively Collected Data
von: Du, Kevin, et al.
Veröffentlicht: (2025)

Learning invariant representations of time-homogeneous stochastic dynamical systems
von: Kostic, Vladimir R., et al.
Veröffentlicht: (2023)

Early warning indicators via latent stochastic dynamical systems
von: Feng, Lingyu, et al.
Veröffentlicht: (2023)

Data-driven system identification using quadratic embeddings of nonlinear dynamics
von: Klus, Stefan, et al.
Veröffentlicht: (2025)

Parametric model reduction of mean-field and stochastic systems via higher-order action matching
von: Berman, Jules, et al.
Veröffentlicht: (2024)

Coupling the reduced-order model and the generative model for an importance sampling estimator
von: Wan, Xiaoliang, et al.
Veröffentlicht: (2019)

Single-shot prediction of parametric partial differential equations
von: Rafiq, Khalid, et al.
Veröffentlicht: (2025)

Stochastic parameter reduced-order model based on hybrid machine learning approaches
von: Fang, Cheng, et al.
Veröffentlicht: (2024)

Physics-informed reduced order model with conditional neural fields
von: Kim, Minji, et al.
Veröffentlicht: (2024)

Data-driven low-dimensional model of a sedimenting flexible fiber
von: Fox, Andrew J, et al.
Veröffentlicht: (2024)

Feature Geometry of LoRA Adapters: A Sparse Autoencoder Analysis of Representational Divergence in Fine-Tuned Language Models
von: K, Prasanth K
Veröffentlicht: (2026)

Deficiency of equation-finding approach to data-driven modeling of dynamical systems
von: Zhai, Zheng-Meng, et al.
Veröffentlicht: (2025)

Gradient-free stochastic optimization for additive models
von: Akhavan, Arya, et al.
Veröffentlicht: (2025)

A discrete physics-informed training for projection-based reduced order models with neural networks
von: Sibuet, N., et al.
Veröffentlicht: (2025)

Data-driven model reconstruction for nonlinear wave dynamics
von: Smolina, Ekaterina, et al.
Veröffentlicht: (2024)

Data-driven transport modelling without overfit
von: Vanya, Peter, et al.
Veröffentlicht: (2026)

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