Buchumschlag

Interpretable AI-Assisted Early Reliability Prediction for a Two-Parameter Parallel Root-Finding Scheme

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Carpentieri, Bruno, Velichko, Andrei, Shams, Mudassir, Lecca, Paola
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

Optimizing Parallel Schemes with Lyapunov Exponents and kNN-LLE Estimation
von: Shams, Mudassir, et al.
Veröffentlicht: (2026)

Direct Finite-Time Contraction (Step-Log) Profiling--Driven Optimization of Parallel Schemes for Nonlinear Problems on Multicore Architectures
von: Shams, Mudassir, et al.
Veröffentlicht: (2026)

FEG-Pro: Forecast-Error Growth Profiling for Finite-Horizon Instability Analysis of Nonlinear Time Series
von: Velichko, Andrei, et al.
Veröffentlicht: (2026)

On the Limits of Interpretable Machine Learning in Quintic Root Classification
von: Thomas, Rohan, et al.
Veröffentlicht: (2026)

Interpretable Spatial-Temporal Fusion Transformers: Multi-Output Prediction for Parametric Dynamical Systems with Time-Varying Inputs
von: Sun, Shuwen, et al.
Veröffentlicht: (2025)

Parallel-in-Time Probabilistic Numerical ODE Solvers
von: Bosch, Nathanael, et al.
Veröffentlicht: (2023)

Explicit and Effectively Symmetric Schemes for Neural SDEs on Lie Groups
von: Shmelev, Daniil, et al.
Veröffentlicht: (2025)

Data-Driven Approximation of Binary-State Network Reliability Function: Algorithm Selection and Reliability Thresholds for Large-Scale Systems
von: Yeh, Wei-Chang
Veröffentlicht: (2025)

Parallel-in-Time Solutions with Random Projection Neural Networks
von: Betcke, Marta M., 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)

Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations
von: Bruna, Joan, et al.
Veröffentlicht: (2022)

Parareal Neural Networks Emulating a Parallel-in-time Algorithm
von: Lee, Chang-Ock, et al.
Veröffentlicht: (2021)

HyperNOs: Automated and Parallel Library for Neural Operators Research
von: Ghiotto, Massimiliano
Veröffentlicht: (2025)

Kinetic Langevin Splitting Schemes for Constrained Sampling
von: Chada, Neil K., et al.
Veröffentlicht: (2026)

Data-Parallel Neural Network Training via Nonlinearly Preconditioned Trust-Region Method
von: Alegría, Samuel A. Cruz, et al.
Veröffentlicht: (2025)

High-fidelity Multiphysics Modelling for Rapid Predictions Using Physics-informed Parallel Neural Operator
von: Yuan, Biao, et al.
Veröffentlicht: (2025)

Neural Parameter Regression for Explicit Representations of PDE Solution Operators
von: Mundinger, Konrad, et al.
Veröffentlicht: (2024)

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

Deep Parallel Spectral Neural Operators for Solving Partial Differential Equations with Enhanced Low-Frequency Learning Capability
von: Ma, Qinglong, et al.
Veröffentlicht: (2024)

Are Deep Learning Based Hybrid PDE Solvers Reliable? Why Training Paradigms and Update Strategies Matter
von: Wu, Yuhan, et al.
Veröffentlicht: (2026)

Riemannian Langevin Dynamics: Strong Convergence of Geometric Euler-Maruyama Scheme
von: Zhan, Zhiyuan, et al.
Veröffentlicht: (2026)

Unsupervised Surrogate-Assisted Synthesis of Free-Form Planar Antenna Topologies for IoT Applications
von: Askaripour, Khadijeh, et al.
Veröffentlicht: (2026)

FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
von: Ye, Zaijun, et al.
Veröffentlicht: (2024)

SPIKANs: Separable Physics-Informed Kolmogorov-Arnold Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2024)

Multifidelity Kolmogorov-Arnold Networks
von: Howard, Amanda A., et al.
Veröffentlicht: (2024)

Two-hidden-layer ReLU neural networks and finite elements
von: Jin, Pengzhan
Veröffentlicht: (2024)

Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection
von: Irofti, Paul, et al.
Veröffentlicht: (2024)

Numerical Schemes for Signature Kernels
von: Cass, Thomas, et al.
Veröffentlicht: (2025)

Convergence of Stochastic Gradient Methods for Wide Two-Layer Physics-Informed Neural Networks
von: Jin, Bangti, et al.
Veröffentlicht: (2025)

Using Parametric PINNs for Predicting Internal and External Turbulent Flows
von: Ghosh, Shinjan, et al.
Veröffentlicht: (2024)

E-PINNs: Epistemic Physics-Informed Neural Networks
von: Jacob, Bruno, et al.
Veröffentlicht: (2025)

A Multimodal PDE Foundation Model for Prediction and Scientific Text Descriptions
von: Negrini, Elisa, et al.
Veröffentlicht: (2025)

Predictions Based on Pixel Data: Insights from PDEs and Finite Differences
von: Celledoni, Elena, et al.
Veröffentlicht: (2023)

GenUQ: Predictive Uncertainty Estimates via Generative Hyper-Networks
von: Yen, Tian Yu, et al.
Veröffentlicht: (2025)

Parameter Inference based on Gaussian Processes Informed by Nonlinear Partial Differential Equations
von: Li, Zhaohui, et al.
Veröffentlicht: (2022)

Affine Invariant Ensemble Transform Methods to Improve Predictive Uncertainty in Neural Networks
von: Bhandari, Diksha, et al.
Veröffentlicht: (2023)

A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks
von: Yu, Yifan, et al.
Veröffentlicht: (2025)

Differentiable Inverse Modeling with Physics-Constrained Latent Diffusion for Heterogeneous Subsurface Parameter Fields
von: Lin, Zihan, et al.
Veröffentlicht: (2025)

A Novel Methodology in Credit Spread Prediction Based on Ensemble Learning and Feature Selection
von: Shao, Yu, et al.
Veröffentlicht: (2024)

Generalized Orders of Magnitude for Scalable, Parallel, High-Dynamic-Range Computation
von: Heinsen, Franz A., et al.
Veröffentlicht: (2025)