Generalized minimal residual method
PulseAugur coverage of Generalized minimal residual method — every cluster mentioning Generalized minimal residual method across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型神经网络求解器RINS加速大型稀疏线性系统的求解
研究人员开发了RINS，一种新颖的神经网络子空间求解器，旨在解决来自偏微分方程离散化的大型稀疏线性系统。该方法，特别是Gate-RINS变体，从残差探测生成多项式校正基，并用一个轻量级门进行调制。该系统旨在通过将算子图像子空间与当前残差对齐来提高收敛速度，与传统的GMRES方法和仅图神经网络基线相比，在各种基准任务中更快地达到固定的相对残差阈值。
-
新AI方法无需时间步长即可模拟复杂系统
研究人员开发了一种新颖的模拟耦合动力学系统的方法，通过训练神经网络代理，直接映射整个轨迹，绕过了传统的时间步长模拟。该方法将模拟转化为一个不动点问题，与传统积分器相比，显著减少了所需的求解器迭代次数。该方法的梯度计算也与时间递归解耦，允许通过GMRES进行高效求解。虽然该方法对耦合范德波尔振子和Hodgkin-Huxley神经元网络等系统有效，但在某些情况下，代理的误差可能会降低性能。
-
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。
-
AI研究通过新颖的牛顿法和Transformer方法加速PDE求解器
两篇新的研究论文提出了使用机器学习技术加速求解复杂偏微分方程（PDE）的新颖方法。第一篇论文介绍了一种两阶段牛顿初始猜测策略，该策略从预计算解和中间增量中学习特征，以减少高保真牛顿法所需的迭代次数。第二篇论文提出了“Physics Transformer”，一种针对PDE预测定制的Transformer架构，它使用函数投影从采样场创建具有物理表达能力的token，从而能够在包括工业规模模拟在内的各种基准测试中实现准确预测。
-
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%。