「G.1.8」カテゴリーアーカイブ

Optimal Transport-Based Displacement Interpolation with Data Augmentation for Reduced Order Modeling of Nonlinear Dynamical Systems

投稿日: 2024年11月14日 作成者: jarxiv

要約 最適輸送 (OT) 理論と変位補間を活用して、複雑なシステムにおける非線形 … 続きを読む →

カテゴリー: (Primary), 37M05, 65M99, 76M99, 86A10, cs.LG, cs.NA, G.1.8, math.NA | Optimal Transport-Based Displacement Interpolation with Data Augmentation for Reduced Order Modeling of Nonlinear Dynamical Systems はコメントを受け付けていません

Linearization Turns Neural Operators into Function-Valued Gaussian Processes

投稿日: 2024年6月10日 作成者: jarxiv

要約 動的システムのモデリング、例: 気候科学や工学科学では、偏微分方程式を解く … 続きを読む →

カテゴリー: cs.LG, G.1.0, G.1.8, G.3, I.2.6, stat.ML | Linearization Turns Neural Operators into Function-Valued Gaussian Processes はコメントを受け付けていません

A Physics-driven GraphSAGE Method for Physical Process Simulations Described by Partial Differential Equations

投稿日: 2024年3月14日 作成者: jarxiv

要約 物理情報に基づいたニューラル ネットワーク (PINN) は、偏微分方程式 … 続きを読む →

カテゴリー: cs.LG, G.1.8, physics.comp-ph | A Physics-driven GraphSAGE Method for Physical Process Simulations Described by Partial Differential Equations はコメントを受け付けていません

Robust Physics Informed Neural Networks

投稿日: 2024年1月5日 作成者: jarxiv

要約 偏微分方程式 (PDE) 解を近似するために、物理情報に基づいたニューラル … 続きを読む →

カテゴリー: 65M99, 68T07, cs.LG, cs.NA, G.1.8, math.NA | Robust Physics Informed Neural Networks はコメントを受け付けていません

Finite Element Operator Network for Solving Parametric PDEs

投稿日: 2023年12月20日 作成者: jarxiv

要約 偏微分方程式 (PDE) は、物理学、工学、金融などのさまざまな分野にわた … 続きを読む →

カテゴリー: 65M60, 65N30, 68T20, 68U07, cs.AI, cs.LG, cs.NA, G.1.8, math.NA, physics.comp-ph | Finite Element Operator Network for Solving Parametric PDEs はコメントを受け付けていません