Buchumschlag

Partial Differential Equations in the Age of Machine Learning: A Critical Synthesis of Classical, Machine Learning, and Hybrid Methods

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nooraiepour, Mohammad, Both, Jakub Wiktor, Kadeethum, Teeratorn, Sadeghnejad, Saeid
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Analysis of PDEs
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Double Coupling Architecture and Training Method for Optimization Problems of Differential Algebraic Equations with Parameters
von: Yang, Wenqiang, et al.
Veröffentlicht: (2026)

Singularity Formation: Synergy in Theoretical, Numerical and Machine Learning Approaches
von: Wang, Yixuan
Veröffentlicht: (2026)

BridgeNet: A Hybrid, Physics-Informed Machine Learning Framework for Solving High-Dimensional Fokker-Planck Equations
von: Mirzabeigi, Elmira, et al.
Veröffentlicht: (2025)

Wavelet-Accelerated Physics-Informed Quantum Neural Network for Multiscale Partial Differential Equations
von: Gupta, Deepak, et al.
Veröffentlicht: (2025)

Well-posedness analysis of the Cahn-Hilliard-Biot model
von: Riethmüller, Cedric, et al.
Veröffentlicht: (2023)

Meta-learning Loss Functions of Parametric Partial Differential Equations Using Physics-Informed Neural Networks
von: Koumpanakis, Michail, et al.
Veröffentlicht: (2024)

Exact Solutions for Nonlinear Partial Differential Equations: A Fusion of Classical Methods and Innovative Approaches
von: Mhadhbi, Noureddine, et al.
Veröffentlicht: (2023)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

A Machine Learning Approach to the Nirenberg Problem
von: Cortés, Gianfranco, et al.
Veröffentlicht: (2026)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)

Stochastic Langevin Differential Inclusions with Applications to Machine Learning
von: Difonzo, Fabio V., et al.
Veröffentlicht: (2022)

Is Zero-Shot Super-Resolution Possible in Operator Learning?
von: Subedi, Unique, et al.
Veröffentlicht: (2026)

Variational Physics-informed Neural Operator (VINO) for Solving Partial Differential Equations
von: Eshaghi, Mohammad Sadegh, et al.
Veröffentlicht: (2024)

Stiff Transfer Learning for Physics-Informed Neural Networks
von: Seiler, Emilien, et al.
Veröffentlicht: (2025)

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

Resolving Sharp Gradients of Unstable Singularities to Machine Precision via Neural Networks
von: Wang, Yongji, 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)

Learning functional components of PDEs from data using neural networks
von: Loman, Torkel E., et al.
Veröffentlicht: (2026)

Mean-Field Analysis for Learning Subspace-Sparse Polynomials with Gaussian Input
von: Chen, Ziang, et al.
Veröffentlicht: (2024)

Deep Learning-Enhanced Calibration of the Heston Model: A Unified Framework
von: Zadgar, Arman, et al.
Veröffentlicht: (2025)

Continuation for Nonlinear Elliptic Partial Differential Equations Discretized by the Multiquadric Method
von: Fedoseyev, A. I., et al.
Veröffentlicht: (1998)

Solving the Poisson Equation with Dirichlet data by shallow ReLU$^α$-networks: A regularity and approximation perspective
von: Vaishampayan, Malhar, et al.
Veröffentlicht: (2024)

Generalization Error Bounds for Picard-Type Operator Learning in Nonlinear Parabolic PDEs
von: Taniguchi, Koichi, et al.
Veröffentlicht: (2026)

Efficient Numerical Wave Propagation Enhanced By An End-to-End Deep Learning Model
von: Kaiser, Luis, et al.
Veröffentlicht: (2024)

Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer
von: Nooraiepour, Mohammad
Veröffentlicht: (2026)

A Hybrid Kernel-Free Boundary Integral Method with Operator Learning for Solving Parametric Partial Differential Equations In Complex Domains
von: Ling, Shuo, et al.
Veröffentlicht: (2024)

Learning PDE Solvers with Physics and Data: A Unifying View of Physics-Informed Neural Networks and Neural Operators
von: Dai, Yilong, et al.
Veröffentlicht: (2026)

H-DES: a Quantum-Classical Hybrid Differential Equation Solver
von: Jaffali, Hamza, et al.
Veröffentlicht: (2024)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Bayesian Parametric Matrix Models: Principled Uncertainty Quantification for Spectral Learning
von: Nooraiepour, Mohammad
Veröffentlicht: (2025)

Self-Supervised Learning with Lie Symmetries for Partial Differential Equations
von: Mialon, Grégoire, et al.
Veröffentlicht: (2023)

Score Shocks: The Burgers Equation Structure of Diffusion Generative Models
von: Sarkar, Krisanu
Veröffentlicht: (2026)

Structure-informed operator learning for parabolic Partial Differential Equations
von: Benth, Fred Espen, et al.
Veröffentlicht: (2024)

Soliton profiles: Classical Numerical Schemes vs. Neural Network - Based Solvers
von: Haight, Chandler, et al.
Veröffentlicht: (2025)

SPDEBench: An Extensive Benchmark for Learning Stochastic PDEs
von: Zhu, Yuantu, et al.
Veröffentlicht: (2025)

Learning embeddings of non-linear PDEs: the Burgers' equation
von: Tarancón-Álvarez, Pedro, et al.
Veröffentlicht: (2026)

Latent Space Element Method
von: Chung, Seung Whan, et al.
Veröffentlicht: (2026)

A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Variational Quantum Framework for Partial Differential Equation Constrained Optimization
von: Surana, Amit, et al.
Veröffentlicht: (2024)