Buchumschlag

Adaptive-Growth Randomized Neural Networks for Level-Set Computation of Multivalued Nonlinear First-Order PDEs with Hyperbolic Characteristics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dang, Haoning, Jin, Shi, Wang, Fei
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive-Growth Randomized Neural Networks for PDEs: Algorithms and Numerical Analysis
von: Dang, Haoning, et al.
Veröffentlicht: (2024)

Supervised and Unsupervised Neural Network Solver for First Order Hyperbolic Nonlinear PDEs
von: Baba, Zakaria, et al.
Veröffentlicht: (2026)

Randomized Neural Networks for Integro-Differential Equations with Application to Neutron Transport
von: Dang, Haoning, et al.
Veröffentlicht: (2026)

Adaptive-Distribution Randomized Neural Networks for PDEs: A Low-Dimensional Distribution-Learning Framework
von: Yang, You, et al.
Veröffentlicht: (2026)

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

Balance-Guided Sparse Identification of Multiscale Nonlinear PDEs with Small-coefficient Terms
von: Dang, Zhenhua, et al.
Veröffentlicht: (2026)

Neural Measures for learning distributions of Random PDEs
von: Arampatzis, Georgios, et al.
Veröffentlicht: (2025)

Solving Roughly Forced Nonlinear PDEs via Misspecified Kernel Methods and Neural Networks
von: Baptista, Ricardo, et al.
Veröffentlicht: (2025)

Randomized Neural Networks for Partial Differential Equation on Static and Evolving Surfaces
von: Sun, Jingbo, et al.
Veröffentlicht: (2026)

Solving Nonlinear PDEs with Sparse Radial Basis Function Networks
von: Shao, Zihan, et al.
Veröffentlicht: (2025)

Weak Physics Informed Neural Networks for Geometry Compatible Hyperbolic Conservation Laws on Manifolds
von: Zhou, Hanfei, et al.
Veröffentlicht: (2025)

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

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

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

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

Structure-preserving Randomized Neural Networks for Incompressible Magnetohydrodynamics Equations
von: Li, Yunlong, et al.
Veröffentlicht: (2026)

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

Regularity of Second-Order Elliptic PDEs in Spectral Barron Spaces
von: Chen, Ziang, et al.
Veröffentlicht: (2026)

Multilevel CNNs for Parametric PDEs based on Adaptive Finite Elements
von: Schütte, Janina Enrica, et al.
Veröffentlicht: (2024)

Parameterized Physics-informed Neural Networks for Parameterized PDEs
von: Cho, Woojin, et al.
Veröffentlicht: (2024)

Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation
von: Zhang, Rui, et al.
Veröffentlicht: (2023)

Adversarial Adaptive Sampling: Unify PINN and Optimal Transport for the Approximation of PDEs
von: Tang, Kejun, et al.
Veröffentlicht: (2023)

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

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

New High-Order Numerical Methods for Hyperbolic Systems of Nonlinear PDEs with Uncertainties
von: Chertock, Alina, et al.
Veröffentlicht: (2023)

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

Parallel-in-Time Solutions with Random Projection Neural Networks
von: Betcke, Marta M., et al.
Veröffentlicht: (2024)

A hybrid iterative method based on MIONet for PDEs: Theory and numerical examples
von: Hu, Jun, et al.
Veröffentlicht: (2024)

Newton Informed Neural Operator for Computing Multiple Solutions of Nonlinear Partials Differential Equations
von: Hao, Wenrui, et al.
Veröffentlicht: (2024)

Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
von: Zhao, Yuxuan, et al.
Veröffentlicht: (2026)

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

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

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

Neural Interpretable PDEs: Harmonizing Fourier Insights with Attention for Scalable and Interpretable Physics Discovery
von: Liu, Ning, et al.
Veröffentlicht: (2025)

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

Decentralized Neural Networks for Robust and Scalable Eigenvalue Computation
von: Katende, Ronald
Veröffentlicht: (2024)

A deformation-based framework for learning solution mappings of PDEs defined on varying domains
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

Random Neural Network Expressivity for Non-Linear Partial Differential Equations
von: Mehmood, Muhammed Ali, et al.
Veröffentlicht: (2026)

Approximating Numerical Fluxes Using Fourier Neural Operators for Hyperbolic Conservation Laws
von: Kim, Taeyoung, et al.
Veröffentlicht: (2024)

Smoothness Adaptivity in Constant-Depth Neural Networks: Optimal Rates via Smooth Activations
von: Liu, Yuhao, et al.
Veröffentlicht: (2026)