conjugate gradient method
PulseAugur coverage of conjugate gradient method — every cluster mentioning conjugate gradient method across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新课程讲义详述用于机器学习和偏微分方程的高级数值线性代数
这篇题为《高级线性代数及其应用 - 第一部分》的论文，介绍了一门面向硕士生的数值线性代数课程，重点关注其在传统偏微分方程之外日益增长的重要性。文章强调了机器学习、数据同化和网络分析中的大规模问题如何共享共同的数值线性代数挑战。讲义涵盖了范数、分解、迭代方法（共轭梯度法、Lanczos法、Arnoldi法、GMRES法）和预处理技术等基本主题，并全部通过Python代码进行说明。
-
神经算子无法可靠地为PDE的牛顿求解器进行热启动
研究人员发现，在使用神经算子为非线性偏微分方程（PDE）的牛顿求解器进行热启动时存在一个关键缺陷。虽然神经算子可以降低测试误差，但它们仍可能产生离散雅可比矩阵不定的初始状态，导致求解器失败。这个问题之所以出现，是因为算子可能会将物理属性（例如超弹性问题中的体积变化）分散到远离其正确值的位置。为了纠正这种谱问题，研究人员提出了一种新颖的微调阶段，该阶段通过对算子施加离散能量惩罚，而无需额外的求解数据，从而在先前方法失败的加载范围内实现了…
-
AI驱动的预条件器加速晶格QCD模拟
研究人员开发了一种新颖的无矩阵神经网络预条件器，用于加速晶格规范理论中的线性系统迭代求解器，特别应用于晶格量子色动力学（QCD）。该方法利用算子学习来构建有效的预条件器，而无需显式矩阵表示，从而显著减少了收敛所需的迭代次数。该方法在Schwinger模型中取得了成功，降低了线性系统的条件数，并对不同尺寸的狄拉克算子显示出零样本学习能力。
-
新方法实现有限元代理模型的无标签训练
一篇新研究论文提出了一种用于有限元代理模型的无标签训练目标，利用离散能量最小化。该方法消除了对参考解的需求，直接使用组装的离散势能作为训练信号。论文详细介绍了确保该信号对于线性静力学精确的恒等式，表明最小化离散能量和刚度范数中的监督回归产生相同的唯一最小化器和梯度。它还包括一个将位移误差限制在能量间隙内的条件引理，并讨论了对动力学模型的局限性。
-
新CG方法提升医学影像图像质量评估效果
研究人员开发了一种新的基于共轭梯度（CG）的方法来构建用于图像质量评估中近似理想观察者的有效通道。该方法解决了将理想观察者（如贝叶斯理想观察者（IO）和霍特林观察者（HO））应用于高维图像数据时在计算上难以处理的问题。提出的通道机制有助于降维，使得这些观察者的计算对于优化医学成像系统更加可行。
-
NOWS策略使用神经算子将PDE求解器速度提升90%
研究人员开发了一种名为神经算子预启动（NOWS）的新方法，用于加速求解复杂的偏微分方程（PDE）。这种混合方法使用学习到的神经算子为传统的迭代求解器提供高质量的初始猜测，从而显著减少所需的迭代次数。NOWS与现有的仿真基础设施集成，并已证明在保持经典数值方法稳定性的同时，计算时间可减少高达90%。