Buchumschlag

Benchmarking Long Roll-outs of Auto-regressive Neural Operators for the Compressible Navier-Stokes Equations with Conserved Quantity Correction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Current, Sean, Kumar, Chandan, Gaitonde, Datta, Parthasarathy, Srinivasan
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

DiffER: Categorical Diffusion for Chemical Retrosynthesis
von: Current, Sean, et al.
Veröffentlicht: (2025)

Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations
von: Andre-Sloan, Sebastien, et al.
Veröffentlicht: (2026)

Adaptive Correction for Ensuring Conservation Laws in Neural Operators
von: Liu, Chaoyu, et al.
Veröffentlicht: (2025)

Graph Sparsification for Enhanced Conformal Prediction in Graph Neural Networks
von: He, Yuntian, et al.
Veröffentlicht: (2024)

Noether's razor: Learning Conserved Quantities
von: van der Ouderaa, Tycho F. A., et al.
Veröffentlicht: (2024)

Prediction Is Not Physics: Learning and Evaluating Conserved Quantities in Neural Simulators
von: Bukowski, Andrew, et al.
Veröffentlicht: (2026)

Conformal Prediction: A Theoretical Note and Benchmarking Transductive Node Classification in Graphs
von: Maneriker, Pranav, et al.
Veröffentlicht: (2024)

FedCF: Fair Federated Conformal Prediction
von: Srinivasan, Anutam, et al.
Veröffentlicht: (2025)

Graph Navier Stokes Networks
von: Zhao, Zexing, et al.
Veröffentlicht: (2026)

Convolutional Autoencoders, Clustering and POD for Low-dimensional Parametrization of Navier-Stokes Equations
von: Kim, Yongho, et al.
Veröffentlicht: (2023)

A Generic Framework for Conformal Fairness
von: Vadlamani, Aditya T., et al.
Veröffentlicht: (2025)

Long-time Integration of Nonlinear Wave Equations with Neural Operators
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

MedEqualizer: A Framework Investigating Bias in Synthetic Medical Data and Mitigation via Augmentation
von: Salarian, Sama, et al.
Veröffentlicht: (2025)

Auto-Compressing Networks
von: Dorovatas, Vaggelis, et al.
Veröffentlicht: (2025)

Computational Inertia as a Conserved Quantity in Frictionless and Damped Learning Dynamics
von: Karagoz, Atahan
Veröffentlicht: (2025)

Sample-Efficient Linear Regression with Self-Selection Bias
von: Gaitonde, Jason, et al.
Veröffentlicht: (2024)

Deep vs. Shallow: Benchmarking Physics-Informed Neural Architectures on the Biharmonic Equation
von: Srinivasan, Akshay Govind, et al.
Veröffentlicht: (2025)

HeteroMILE: a Multi-Level Graph Representation Learning Framework for Heterogeneous Graphs
von: Zhang, Yue, et al.
Veröffentlicht: (2024)

Comparing and Contrasting DLWP Backbones on Navier-Stokes and Atmospheric Dynamics
von: Karlbauer, Matthias, et al.
Veröffentlicht: (2024)

COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL
von: Wang, Xiyao, et al.
Veröffentlicht: (2023)

Equilibrium Conserving Neural Operators for Super-Resolution Learning
von: Oommen, Vivek, et al.
Veröffentlicht: (2025)

Shear-Layer Perturbation Responses from Time-Resolved Schlieren Data
von: Stahl, Spencer L., et al.
Veröffentlicht: (2024)

Capturing Conditional Dependence via Auto-regressive Diffusion Models
von: Huang, Xunpeng, et al.
Veröffentlicht: (2025)

Diffeomorphic Latent Neural Operators for Data-Efficient Learning of Solutions to Partial Differential Equations
von: Ahmad, Zan, et al.
Veröffentlicht: (2024)

AutoCompress: Critical Layer Isolation for Efficient Transformer Compression
von: Thorat, Archit
Veröffentlicht: (2026)

Generalizing PDE Emulation with Equation-Aware Neural Operators
von: Zhu, Qian-Ze, et al.
Veröffentlicht: (2025)

Banach neural operator for Navier-Stokes equations
von: Zhang, Bo
Veröffentlicht: (2025)

Shinbrot Type Criteria for Energy Conservation of the Compressible Navier-Stokes Equations
von: Chen, Ruxuan, et al.
Veröffentlicht: (2026)

Cross-Layer Subspace Coupling for LLM Compression: A Unifying Framework and Its Empirical Limits
von: Khilar, Snigdha Chandan
Veröffentlicht: (2026)

Better Models and Algorithms for Learning Ising Models from Dynamics
von: Gaitonde, Jason, et al.
Veröffentlicht: (2025)

Bypassing the Noisy Parity Barrier: Learning Higher-Order Markov Random Fields from Dynamics
von: Gaitonde, Jason, et al.
Veröffentlicht: (2024)

Loop, Think, & Generalize: Implicit Reasoning in Recurrent-Depth Transformers
von: Kohli, Harsh, et al.
Veröffentlicht: (2026)

Efficient Dilated Squeeze and Excitation Neural Operator for Differential Equations
von: Chauhan, Prajwal, et al.
Veröffentlicht: (2026)

Expanding the Chaos: Neural Operator for Stochastic (Partial) Differential Equations
von: Shi, Dai, et al.
Veröffentlicht: (2026)

Learning Neural Differential Algebraic Equations via Operator Splitting
von: Koch, James, et al.
Veröffentlicht: (2024)

Rolling Ball Optimizer: Learning by ironing out loss landscape wrinkles
von: Belgoumri, Mohammed Djameleddine, et al.
Veröffentlicht: (2025)

An Exterior-Embedding Neural Operator Framework for Preserving Conservation Laws
von: Dong, Huanshuo, et al.
Veröffentlicht: (2025)

WLNO: Wavelet-Laplace Neural Operator for Solving Partial Differential Equations
von: Abid, Muhammad, et al.
Veröffentlicht: (2026)

Physics-Informed Laplace Neural Operator for Solving Partial Differential Equations
von: Kim, Heechang, et al.
Veröffentlicht: (2026)

Coupled Multiwavelet Neural Operator Learning for Coupled Partial Differential Equations
von: Xiao, Xiongye, et al.
Veröffentlicht: (2023)