Buchumschlag

Lie Generator Networks for Nonlinear Partial Differential Equations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jamil, Shafayeth, Kapadia, Rehan
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Interpretable Physics Extraction from Data for Linear Dynamical Systems using Lie Generator Networks
von: Jamil, Shafayeth, et al.
Veröffentlicht: (2026)

The Routing and Filtering Structure of Attention
von: Jamil, Shafayeth, et al.
Veröffentlicht: (2026)

Physics-Informed Chebyshev Polynomial Neural Operator for Parametric Partial Differential Equations
von: Chen, Biao, et al.
Veröffentlicht: (2026)

Lie Generator Networks Extract EIS-Grade Battery Diagnostics from Pulse Relaxation Data
von: Jamil, Shafayeth, et al.
Veröffentlicht: (2026)

Finding the Underlying Viscoelastic Constitutive Equation via Universal Differential Equations and Differentiable Physics
von: Rodrigues, Elias C., et al.
Veröffentlicht: (2024)

Generative Learning of the Solution of Parametric Partial Differential Equations Using Guided Diffusion Models and Virtual Observations
von: Gao, Han, et al.
Veröffentlicht: (2024)

Filtered Partial Differential Equations: a robust surrogate constraint in physics-informed deep learning framework
von: Zhang, Dashan, et al.
Veröffentlicht: (2023)

GN-SINDy: Greedy Sampling Neural Network in Sparse Identification of Nonlinear Partial Differential Equations
von: Forootani, Ali, et al.
Veröffentlicht: (2024)

Equation-informed data-driven identification of flow budgets and dynamics
von: Sevryugina, Nataliya, et al.
Veröffentlicht: (2024)

Data-Driven Computing Methods for Nonlinear Physics Systems with Geometric Constraints
von: Tong, Yunjin
Veröffentlicht: (2024)

Equation identification for fluid flows via physics-informed neural networks
von: New, Alexander, et al.
Veröffentlicht: (2024)

JAX-SPH: A Differentiable Smoothed Particle Hydrodynamics Framework
von: Toshev, Artur P., et al.
Veröffentlicht: (2024)

Decoder Decomposition for the Analysis of the Latent Space of Nonlinear Autoencoders With Wind-Tunnel Experimental Data
von: Mo, Yaxin, et al.
Veröffentlicht: (2024)

Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2026)

Differentiable Turbulence: Closure as a partial differential equation constrained optimization
von: Shankar, Varun, et al.
Veröffentlicht: (2023)

Differentiable Autoencoding Neural Operator for Interpretable and Integrable Latent Space Modeling
von: Viknesh, Siva, et al.
Veröffentlicht: (2025)

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

Solving the Discretised Multiphase Flow Equations with Interface Capturing on Structured Grids Using Machine Learning Libraries
von: Chen, Boyang, et al.
Veröffentlicht: (2024)

Learning Mesh-Free Discrete Differential Operators with Self-Supervised Graph Neural Networks
von: Starepravo, Lucas Gerken, et al.
Veröffentlicht: (2026)

Transported Memory Networks accelerating Computational Fluid Dynamics
von: Schulz, Matthias, et al.
Veröffentlicht: (2025)

Harnessing Equivariance: Modeling Turbulence with Graph Neural Networks
von: Kurz, Marius, et al.
Veröffentlicht: (2025)

Hard Constraint Projection in a Physics Informed Neural Network
von: Horne, Miranda J. S., et al.
Veröffentlicht: (2026)

FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models
von: Raut, Riddhiman, et al.
Veröffentlicht: (2025)

MeshMask: Physics-Based Simulations with Masked Graph Neural Networks
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Periodicity-Enforced Neural Network for Designing Deterministic Lateral Displacement Devices
von: Lee, Andrew, et al.
Veröffentlicht: (2025)

Quantifying Out-of-Training Uncertainty of Neural-Network based Turbulence Closures
von: Grogan, Cody, et al.
Veröffentlicht: (2025)

Invariant Control Strategies for Active Flow Control using Graph Neural Networks
von: Kurz, Marius, et al.
Veröffentlicht: (2025)

Mean flow data assimilation using physics-constrained Graph Neural Networks
von: Quattromini, M., et al.
Veröffentlicht: (2024)

Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach
von: de Aguiar, Diego A., et al.
Veröffentlicht: (2024)

Can physical information aid the generalization ability of Neural Networks for hydraulic modeling?
von: Guglielmo, Gianmarco, et al.
Veröffentlicht: (2024)

Addressing A Posteriori Performance Degradation in Neural Network Subgrid Stress Models
von: Wu, Andy, et al.
Veröffentlicht: (2025)

Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
von: Rabeh, Ali, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks
von: Ju, Y. Sungtaek
Veröffentlicht: (2025)

Inverse Design of Optimal Stern Shape with Convolutional Neural Network-based Pressure Distribution
von: Oh, Sang-jin, et al.
Veröffentlicht: (2025)

Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks
von: McDugald, Edward, et al.
Veröffentlicht: (2024)

Knowledge-Based Convolutional Neural Network for the Simulation and Prediction of Two-Phase Darcy Flows
von: Elabid, Zakaria, et al.
Veröffentlicht: (2024)

A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations
von: Gao, Rui, et al.
Veröffentlicht: (2022)

Project and Generate: Divergence-Free Neural Operators for Incompressible Flows
von: Li, Xigui, et al.
Veröffentlicht: (2026)

A Misleading Gallery of Fluid Motion by Generative Artificial Intelligence
von: Kashefi, Ali
Veröffentlicht: (2024)

Unfolding Time: Generative Modeling for Turbulent Flows in 4D
von: Saydemir, Abdullah, et al.
Veröffentlicht: (2024)