Buchumschlag

Multi-Scale Separable Fourier Neural Networks for Solving High-Frequency PDEs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Qihong, He, Qiaolin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Novel Tensor Product-Based Neural Network for Solving Partial Differential Equations
von: Yang, Qihong, et al.
Veröffentlicht: (2026)

Moving Sampling Physics-informed Neural Networks induced by Moving Mesh PDE
von: Yang, Yu, et al.
Veröffentlicht: (2023)

Solving High Frequency and Multi-Scale PDEs with Gaussian Processes
von: Fang, Shikai, et al.
Veröffentlicht: (2023)

Separated-Variable Spectral Neural Networks: A Physics-Informed Learning Approach for High-Frequency PDEs
von: Xiong, Xiong, et al.
Veröffentlicht: (2025)

Fourier Multi-Component and Multi-Layer Neural Networks: Unlocking High-Frequency Potential
von: Zhang, Shijun, et al.
Veröffentlicht: (2025)

Frequency-Separable Hamiltonian Neural Network for Multi-Timescale Dynamics
von: Li, Yaojun, et al.
Veröffentlicht: (2026)

Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs
von: George, Robert Joseph, et al.
Veröffentlicht: (2022)

General Fourier Feature Physics-Informed Extreme Learning Machine (GFF-PIELM) for High-Frequency PDEs
von: Ren, Fei, et al.
Veröffentlicht: (2025)

TINNs: Time-Induced Neural Networks for Solving Time-Dependent PDEs
von: Dai, Chen-Yang, et al.
Veröffentlicht: (2026)

Learning to Solve PDEs on Neural Shape Representations
von: Welschinger, Lilian, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
von: Hoshisashi, Kentaro, et al.
Veröffentlicht: (2026)

MMET: A Multi-Input and Multi-Scale Transformer for Efficient PDEs Solving
von: Luo, Yichen, et al.
Veröffentlicht: (2025)

RBF-MGN:Solving spatiotemporal PDEs with Physics-informed Graph Neural Network
von: Xiang, Zixue, et al.
Veröffentlicht: (2022)

Loss Jump During Loss Switch in Solving PDEs with Neural Networks
von: Wang, Zhiwei, et al.
Veröffentlicht: (2024)

QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs
von: Farea, Afrah, et al.
Veröffentlicht: (2025)

Solving Roughly Forced Nonlinear PDEs via Misspecified Kernel Methods and Neural Networks
von: Baptista, Ricardo, et al.
Veröffentlicht: (2025)

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs
von: Rahman, Md Ashiqur, et al.
Veröffentlicht: (2024)

Architecture-Optimization Co-Design for Physics-Informed Neural Networks Via Attentive Representations and Conflict-Resolved Gradients
von: Niu, Pancheng, et al.
Veröffentlicht: (2026)

Fourier Neural Operator with Learned Deformations for PDEs on General Geometries
von: Li, Zongyi, et al.
Veröffentlicht: (2022)

FastLSQ: Solving PDEs in One Shot via Fourier Features with Exact Analytical Derivatives
von: Sulc, Antonin
Veröffentlicht: (2026)

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

Walsh-Hadamard Neural Operators for Solving PDEs with Discontinuous Coefficients
von: Cavallazzi, Giorgio M., et al.
Veröffentlicht: (2025)

GFocal: A Global-Focal Neural Operator for Solving PDEs on Arbitrary Geometries
von: Fei, Fangzhi, et al.
Veröffentlicht: (2025)

MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting
von: Ma, Aitian, et al.
Veröffentlicht: (2024)

SAOT: An Enhanced Locality-Aware Spectral Transformer for Solving PDEs
von: Zhou, Chenhong, et al.
Veröffentlicht: (2025)

Solving PDEs on Unknown Manifolds with Machine Learning
von: Liang, Senwei, et al.
Veröffentlicht: (2021)

Solving Nonlinear PDEs with Sparse Radial Basis Function Networks
von: Shao, Zihan, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks and Neural Operators for Parametric PDEs
von: Zhang, Zhuo, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for High-Frequency and Multi-Scale Problems using Transfer Learning
von: Mustajab, Abdul Hannan, et al.
Veröffentlicht: (2024)

The Fourier Spectral Transformer Networks For Efficient and Generalizable Nonlinear PDEs Prediction
von: Li, Beibei
Veröffentlicht: (2025)

Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries
von: Luo, Huakun, et al.
Veröffentlicht: (2025)

Finite Element Neural Network Interpolation. Part I: Interpretable and Adaptive Discretization for Solving PDEs
von: Škardová, Kateřina, 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)

Frequency-adaptive Multi-scale Deep Neural Networks
von: Huang, Jizu, et al.
Veröffentlicht: (2024)

Zebra: In-Context Generative Pretraining for Solving Parametric PDEs
von: Serrano, Louis, et al.
Veröffentlicht: (2024)

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

Soft Partition-based KAPI-ELM for Multi-Scale PDEs
von: Dwivedi, Vikas, et al.
Veröffentlicht: (2026)

Multi-Scale Finite Expression Method for PDEs with Oscillatory Solutions on Complex Domains
von: Hardwick, Gareth, et al.
Veröffentlicht: (2025)

Harnessing Scale and Physics: A Multi-Graph Neural Operator Framework for PDEs on Arbitrary Geometries
von: Li, Zhihao, et al.
Veröffentlicht: (2024)