Buchumschlag

Latent representation learning based model correction and uncertainty quantification for PDEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Wenwen, Feng, Xiaodong, Guo, Ling, Wu, Hao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep set based operator learning with uncertainty quantification
von: Ma, Lei, et al.
Veröffentlicht: (2025)

Deep learning enhanced cost-aware multi-fidelity uncertainty quantification of a computational model for radiotherapy
von: Vitullo, Piermario, et al.
Veröffentlicht: (2024)

Probabilistic operator learning: generative modeling and uncertainty quantification for foundation models of differential equations
von: Zhang, Benjamin J., et al.
Veröffentlicht: (2025)

On uncertainty quantification of eigenvalues and eigenspaces with higher multiplicity
von: Dölz, Jürgen, et al.
Veröffentlicht: (2022)

FNWoS: Fractional Neural Walk-on-Spheres Methods for High-Dimensional PDEs Driven by $α$-stable Lévy Process on Irregular Domains
von: Guo, Ling, et al.
Veröffentlicht: (2026)

A conditional normalizing flow for domain decomposed uncertainty quantification
von: Li, Sen, et al.
Veröffentlicht: (2024)

Accelerating seismic inversion and uncertainty quantification with efficient high-rank Hessian approximations
von: Hu, Mathew, et al.
Veröffentlicht: (2025)

Towards uncertainty quantification of a model for cancer-on-chip experiments
von: Bertoluzza, Silvia, et al.
Veröffentlicht: (2026)

Data-driven dimensionally decomposed generalized polynomial chaos expansion for forward uncertainty quantification
von: Choi, Hojun, et al.
Veröffentlicht: (2025)

Efficient forward and inverse uncertainty quantification for dynamical systems based on dimension reduction and Kriging surrogate modeling in functional space
von: Song, Zhouzhou, et al.
Veröffentlicht: (2025)

LDDMM stochastic interpolants: an application to domain uncertainty quantification in hemodynamics
von: Katz, Sarah, et al.
Veröffentlicht: (2026)

Neural active manifolds: nonlinear dimensionality reduction for uncertainty quantification
von: Zanoni, Andrea, et al.
Veröffentlicht: (2024)

Framework for uncertainty quantification of wave-structure interaction in a flume
von: Luo, Xiaoyuan, et al.
Veröffentlicht: (2024)

Incorporating Local Hölder Regularity into PINNs for Solving Elliptic PDEs
von: Zhou, Qirui, et al.
Veröffentlicht: (2025)

Improvements on uncertainty quantification with variational autoencoders
von: Tonini, Andrea, et al.
Veröffentlicht: (2025)

Latent Dynamics Graph Convolutional Networks for model order reduction of parameterized time-dependent PDEs
von: Tomada, Lorenzo, et al.
Veröffentlicht: (2026)

Causality and Bayesian network PDEs for multiscale representations of porous media
von: Um, Kimoon, et al.
Veröffentlicht: (2019)

A polynomial chaos approach for uncertainty quantification of Monte Carlo transport codes
von: Geraci, Gianluca, et al.
Veröffentlicht: (2024)

Deep learning methods for stochastic Galerkin approximations of elliptic random PDEs
von: Musco, Fabio, et al.
Veröffentlicht: (2024)

Neural Evolutionary Kernel Method: A Knowledge-Guided Framework for Solving Evolutionary PDEs
von: Ling, Shuo, et al.
Veröffentlicht: (2026)

A comparative analysis of metamodels for 0D cardiovascular models, and pipeline for sensitivity analysis, parameter estimation, and uncertainty quantification
von: Hanna, John M., et al.
Veröffentlicht: (2024)

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

Regularity and tailored regularization of Deep Neural Networks, with application to parametric PDEs in uncertainty quantification
von: Keller, Alexander, et al.
Veröffentlicht: (2025)

Kernel-learning parameter prediction and evaluation in algebraic multigrid method for several PDEs
von: Luo, Junyue, et al.
Veröffentlicht: (2025)

Structure and asymptotic preserving deep neural surrogates for uncertainty quantification in multiscale kinetic equations
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Cubature-based uncertainty estimation for nonlinear regression models
von: Bubel, Martin, et al.
Veröffentlicht: (2024)

WG-IDENT: Weak Group Identification of PDEs with Varying Coefficients
von: Tang, Cheng, et al.
Veröffentlicht: (2025)

Modelling parametric uncertainty in PDEs models via Physics-Informed Neural Networks
von: Panahi, Milad, et al.
Veröffentlicht: (2024)

Structure-preserving learning for multi-symplectic PDEs
von: Yıldız, Süleyman, et al.
Veröffentlicht: (2024)

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

On understanding and overcoming spectral biases of deep neural network learning methods for solving PDEs
von: Xu, Zhi-Qin John, et al.
Veröffentlicht: (2025)

Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems
von: Wang, Xintong, et al.
Veröffentlicht: (2025)

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

PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs
von: Brivio, Simone, et al.
Veröffentlicht: (2024)

A least-squares implicit RBF-FD closest point method and applications to PDEs on moving surfaces
von: Petras, A., et al.
Veröffentlicht: (2019)

Point Cloud Neural Operator for Parametric PDEs on Complex and Variable Geometries
von: Zeng, Chenyu, et al.
Veröffentlicht: (2025)

Gauss Newton method for solving variational problems of PDEs with neural network discretizaitons
von: Hao, Wenrui, et al.
Veröffentlicht: (2023)

A novel and simple spectral method for nonlocal PDEs with the fractional Laplacian
von: Zhou, Shiping, et al.
Veröffentlicht: (2023)

Recent Advances in Numerical Solutions for Hamilton-Jacobi PDEs
von: Meng, Tingwei, et al.
Veröffentlicht: (2025)

Functional tensor train neural network for solving high-dimensional PDEs
von: Feng, Yani, et al.
Veröffentlicht: (2025)