Buchumschlag

Operator learning on domain boundary through combining fundamental solution-based artificial data and boundary integral techniques

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Haochen, Wu, Heng, Lu, Benzhuo
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning 68T07, 35J05 I.2.6; G.1.8; G.4
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mathematical artificial data for operator learning
von: Wu, Heng, et al.
Veröffentlicht: (2025)

Linear-Nonlinear Fusion Neural Operator for Partial Differential Equations
von: Wu, Heng, et al.
Veröffentlicht: (2026)

Diagnosing Failure Modes of Neural Operators Across Diverse PDE Families
von: Shikhman, Lennon
Veröffentlicht: (2026)

Towards Coordinate- and Dimension-Agnostic Machine Learning for Partial Differential Equations
von: Phan, Trung V., et al.
Veröffentlicht: (2025)

Physics Informed Differentiable Solvers for Learning Parametric Solution Manifolds in Heterogeneous Physical Systems
von: Panahi, Milad, et al.
Veröffentlicht: (2026)

A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks
von: Lantigua, Said, et al.
Veröffentlicht: (2025)

Neural Green's Operators for Parametric Partial Differential Equations
von: Melchers, Hugo, et al.
Veröffentlicht: (2024)

Frequency Bias and OOD Generalization in Neural Operators under a Variable-Coefficient Wave Equation
von: Xie, Runlong, et al.
Veröffentlicht: (2026)

Alternately-optimized SNN method for acoustic scattering problem in unbounded domain
von: Song, Haoming, et al.
Veröffentlicht: (2025)

Unified Spatiotemporal Physics-Informed Learning (USPIL): A Framework for Modeling Complex Predator-Prey Dynamics
von: Chrisnanto, Julian Evan, et al.
Veröffentlicht: (2025)

Numerical Solution of Mixed-Dimensional PDEs Using a Neural Preconditioner
von: Dimola, Nunzio, et al.
Veröffentlicht: (2025)

Physics-Informed Learning of Microvascular Flow Models using Graph Neural Networks
von: Botta, Paolo, et al.
Veröffentlicht: (2025)

Predictive Digital Twins for Thermal Management Using Machine Learning and Reduced-Order Models
von: Subramani, Tamilselvan, et al.
Veröffentlicht: (2025)

IGA-ODIL: Optimizing DIscretre robust Loss with Isogeometric Analysis to solve forward and inverse problems faster using machine learning tools
von: Paszyński, Maciej, et al.
Veröffentlicht: (2026)

Intrinsic-Metric Physics-Informed Neural Networks (IM-PINN) for Reaction-Diffusion Dynamics on Complex Riemannian Manifolds
von: Chrisnanto, Julian Evan, et al.
Veröffentlicht: (2025)

Adaptive Domain Decomposition Physics-Informed Neural Networks for Traffic State Estimation with Sparse Sensor Data
von: Ka, Eunhan, et al.
Veröffentlicht: (2026)

Gradient-enhanced PINN with residual unit for studying forward-inverse problems of variable coefficient equations
von: Zhou, Hui-Juan, et al.
Veröffentlicht: (2025)

Stabilized Adaptive Loss and Residual-Based Collocation for Physics-Informed Neural Networks
von: Singh, Divyavardhan, et al.
Veröffentlicht: (2026)

Enhancing PINN Accuracy for the RLW Equation: Adaptive and Conservative Approaches
von: Shehzad, Aamir
Veröffentlicht: (2025)

PDE-DKL: PDE-constrained deep kernel learning in high dimensionality
von: Yan, Weihao, et al.
Veröffentlicht: (2025)

Python library supporting Discrete Variational Formulations and training solutions with Collocation-based Robust Variational Physics Informed Neural Networks (DVF-CRVPINN)
von: Służalec, Tomasz, et al.
Veröffentlicht: (2026)

Collocation-based Robust Physics Informed Neural Networks for time-dependent simulations of pollution propagation under thermal inversion conditions on Spitsbergen
von: Siwik, Leszek, et al.
Veröffentlicht: (2026)

Anisotropic mesh spacing prediction using neural networks
von: Lock, Callum, et al.
Veröffentlicht: (2025)

Law-Strength Frontiers and a No-Free-Lunch Result for Law-Seeking Reinforcement Learning on Volatility Law Manifolds
von: Zhang, Jian'an
Veröffentlicht: (2025)

A Least-Squares-Based Neural Network (LS-Net) for Solving Linear Parametric PDEs
von: Baharlouei, Shima, et al.
Veröffentlicht: (2024)

Comparing EPGP Surrogates and Finite Elements Under Degree-of-Freedom Parity
von: Amo, Obed, et al.
Veröffentlicht: (2025)

HS-FNO: History-Space Fourier Neural Operator for Non-Markovian Partial Differential Equations
von: Shikhman, Lennon J.
Veröffentlicht: (2026)

Learning Nonlinear Finite Element Solution Operators using Multilayer Perceptrons and Energy Minimization
von: Larson, Mats G., et al.
Veröffentlicht: (2024)

An adaptive Deep Ritz framework for second-order fully nonlinear partial differential equations
von: Caboussat, Alexandre, et al.
Veröffentlicht: (2026)

Accelerating wave simulations with neural dispersion correctors
von: Rincón, Felipe, et al.
Veröffentlicht: (2025)

Error analysis for the deep Kolmogorov method
von: Cîmpean, Iulian, et al.
Veröffentlicht: (2025)

Collocation-based Robust Variational Physics-Informed Neural Networks (CRVPINN)
von: Łoś, Marcin, et al.
Veröffentlicht: (2024)

Multi-level Neural Networks for high-dimensional parametric obstacle problems
von: Eigel, Martin, et al.
Veröffentlicht: (2025)

On the study of frequency control and spectral bias in Wavelet-Based Kolmogorov Arnold networks: A path to physics-informed KANs
von: Meshir, Juan Daniel, et al.
Veröffentlicht: (2025)

Seeing Structural Failure Before it Happens: An Image-Based Physics-Informed Neural Network (PINN) for Spaghetti Bridge Load Prediction
von: Khan, Omer Jauhar, et al.
Veröffentlicht: (2025)

When can a neural operator replace a coarse solve? Architectural principles for two-level preconditioning
von: Melchers, Hugo, et al.
Veröffentlicht: (2026)

The Unified Non-Convex Framework for Robust Causal Inference: Overcoming the Gaussian Barrier and Optimization Fragility
von: Uehara, Eichi
Veröffentlicht: (2025)

Machine Collaboration
von: Liu, Qingfeng, et al.
Veröffentlicht: (2021)

The two clocks and the innovation window: When and how generative models learn rules
von: Wang, Binxu, et al.
Veröffentlicht: (2026)

Latent Twins
von: Chung, Matthias, et al.
Veröffentlicht: (2025)