:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Niarchos, Vasilis, Sirbu, Angelos, Trifinopoulos, Sokratis
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence Numerical Analysis Nuclear Theory
Online-Zugang:	https://arxiv.org/abs/2605.07792
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The DNA of nuclear models: How AI predicts nuclear masses
von: Richardson, Kate A., et al.
Veröffentlicht: (2025)

When Does Critique Improve AI-Assisted Theoretical Physics? SCALAR: Structured Critic--Actor Loop for Agentic Reasoning
von: Niarchos, Vasilis, et al.
Veröffentlicht: (2026)

From Neurons to Neutrons: A Case Study in Interpretability
von: Kitouni, Ouail, et al.
Veröffentlicht: (2024)

Principled Approaches for Extending Neural Architectures to Function Spaces for Operator Learning
von: Berner, Julius, et al.
Veröffentlicht: (2025)

CATO: Charted Attention for Neural PDE Operators
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2026)

Neural Operators with Localized Integral and Differential Kernels
von: Liu-Schiaffini, Miguel, et al.
Veröffentlicht: (2024)

Autoregression-Free Neural Operators for Time-Dependent PDEs
von: Zhang, Jiaquan, et al.
Veröffentlicht: (2026)

Monte Carlo-Type Neural Operator for Differential Equations
von: Choutri, Salah Eddine, et al.
Veröffentlicht: (2025)

FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks
von: N'guessan, Gnankan Landry Regis
Veröffentlicht: (2026)

Accelerating Data Generation for Neural Operators via Krylov Subspace Recycling
von: Wang, Hong, et al.
Veröffentlicht: (2024)

Data-Efficient Neural Operator Training via Physics-Based Active Learning
von: Polanska, Alicja, et al.
Veröffentlicht: (2026)

Learning Semilinear Neural Operators : A Unified Recursive Framework For Prediction And Data Assimilation
von: Singh, Ashutosh, et al.
Veröffentlicht: (2024)

Beyond Loss Guidance: Using PDE Residuals as Spectral Attention in Diffusion Neural Operators
von: Sawhney, Medha, et al.
Veröffentlicht: (2025)

CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators
von: Hou, Xianglong, et al.
Veröffentlicht: (2025)

Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study
von: Patel, Janak M., et al.
Veröffentlicht: (2025)

Operator learning without the adjoint
von: Boullé, Nicolas, et al.
Veröffentlicht: (2024)

Graph Neural Network as Computationally Efficient Emulator of Ice-sheet and Sea-level System Model (ISSM)
von: Koo, Younghyun, et al.
Veröffentlicht: (2024)

A Mathematical Guide to Operator Learning
von: Boullé, Nicolas, et al.
Veröffentlicht: (2023)

Characteristic Learning for Provable One Step Generation
von: Ding, Zhao, et al.
Veröffentlicht: (2024)

Why Does Stochastic Gradient Descent Slow Down in Low-Precision Training?
von: Yun, Vincent-Daniel
Veröffentlicht: (2025)

Projection Methods for Operator Learning and Universal Approximation
von: Zappala, Emanuele
Veröffentlicht: (2024)

Mixture of Experts Softens the Curse of Dimensionality in Operator Learning
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2024)

STNet: Spectral Transformation Network for Solving Operator Eigenvalue Problem
von: Wang, Hong, et al.
Veröffentlicht: (2025)

Critical Sampling for Robust Evolution Operator Learning of Unknown Dynamical Systems
von: Zhang, Ce, et al.
Veröffentlicht: (2023)

Topological Uncertainty for Anomaly Detection in the Neural-network EoS Inference with Neutron Star Data
von: Fukushima, Kenji, et al.
Veröffentlicht: (2025)

ELM-DeepONets: Backpropagation-Free Training of Deep Operator Networks via Extreme Learning Machines
von: Son, Hwijae
Veröffentlicht: (2025)

PDE Generalization of In-Context Operator Networks: A Study on 1D Scalar Nonlinear Conservation Laws
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Stability and Discretization Error of State Space Model Neural Operators
von: Bendahi, Abderrahim, et al.
Veröffentlicht: (2026)

Quasi-Random Physics-informed Neural Networks
von: Yu, Tianchi, et al.
Veröffentlicht: (2025)

Guided Diffusion Sampling on Function Spaces with Applications to PDEs
von: Yao, Jiachen, et al.
Veröffentlicht: (2025)

Spectral Informed Neural Network: An Efficient and Low-Memory PINN
von: Yu, Tianchi, et al.
Veröffentlicht: (2024)

UGrid: An Efficient-And-Rigorous Neural Multigrid Solver for Linear PDEs
von: Han, Xi, et al.
Veröffentlicht: (2024)

Huber-energy measure quantization
von: Turinici, Gabriel
Veröffentlicht: (2022)

Quantum Neural Network Restatement of Markov Jump Process
von: Zarezadeh, Z., et al.
Veröffentlicht: (2025)

A Dimensionality Reduction Approach for Convolutional Neural Networks
von: Meneghetti, Laura, et al.
Veröffentlicht: (2021)

Learning from Integral Losses in Physics Informed Neural Networks
von: Saleh, Ehsan, et al.
Veröffentlicht: (2023)

Graph-Instructed Neural Networks for parametric problems with varying boundary conditions
von: Della Santa, Francesco, et al.
Veröffentlicht: (2026)

Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers
von: Zhou, Hang, et al.
Veröffentlicht: (2024)

Solving PDEs With Deep Neural Nets under General Boundary Conditions
von: Zhang, Chenggong
Veröffentlicht: (2025)

Better Neural PDE Solvers Through Data-Free Mesh Movers
von: Hu, Peiyan, et al.
Veröffentlicht: (2023)