numerical analysis
PulseAugur coverage of numerical analysis — every cluster mentioning numerical analysis across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新框架使用神经网络简化偏微分方程中的边界条件
研究人员开发了一个框架，用于学习何时可以用简化的边界条件替换参数化偏微分方程中更复杂的边界条件。该方法使用成对解来训练一个神经网络，该网络估计域和边界误差，当预测误差在指定容差范围内时，允许应用更简单的条件。该方法在电化腐蚀问题以及其他非线性稳态和演化问题上进行了测试。
-
深度学习算法在高维SPDE问题上提供精确解
一篇新研究论文介绍了一种基于深度学习的算法，用于逼近随机偏微分方程（SPDEs）的解。该方法利用神经网络根据噪声过程的实现来估计SPDE解，从而能够计算均值和方差等泛函。该算法在涉及各种SPDEs的模拟中表现出准确性和效率，包括随机热方程和Black-Scholes方程，即使在高达100个空间维度的情况下也是如此。
-
高斯过程与RKHS的联系在新专著中得到探讨
本专著探讨了高斯过程（GPs）与再生核希尔伯特空间（RKHS）之间的联系与等价性，这两种方法都是机器学习和统计学中重要的基于核的方法。它建立了基于高斯希尔伯特空间与RKHS等价性的统一视角，连接了概率方法和非概率方法中的并行发展。该工作涵盖了回归、插值和数值积分等基本主题，旨在促进两个研究社区之间的合作。
-
两篇arXiv论文分析AI和ML中的统计逆问题
两篇新提交至arXiv的研究论文探讨了机器学习和人工智能中的统计逆问题。第一篇论文侧重于非自反巴拿赫空间中这些问题的正则化技术，使用布雷格曼距离推导收敛界限。第二篇论文采用Tikhonov正则化和统计学习理论，分析了再生核巴拿赫空间中的收敛性，以从噪声数据中估计解决方案。
-
新算法简化了大规模网络分析的图节点选择
研究人员开发了一种从大型图中选择代表性节点的新算法，这是网络分析中的一项关键任务。这种称为“通过贪婪采样实现可扩展图核心集选择”的方法，无需完整的图拉普拉斯矩阵，使其适用于海量数据集。该算法基于最小内积规则迭代选择节点，仅需要访问拉普拉斯矩阵的子集列，并避免了计算密集型的特征分解或全局图遍历。在随机块模型下的理论分析表明，采样与簇大小成正比，并且对于带限图信号的误差可控，数值实验证实了其在合成和真实世界数据上的有效性。
-
新方法重建三维几何以直接用于CAD和仿真
研究人员开发了FORGE-SIM，一种从稀疏RGB图像重建三维几何的新方法，该方法直接兼容CAD和仿真工作流程。该方法优化了多块B样条边界表示，无需手动干预即可生成平滑、防水的模型。该系统还可以将观察得出的场（如热状态和语义信息）投影到这些模型上，从而能够立即用于热分析和模态分析等仿真。这种统一旨在弥合计算机视觉和数值分析之间的差距，从而促进仿真驱动设计和数字孪生中的新工作流程。
-
新的零一律简化了单次系统辨识
研究人员开发了一种从单次实验中辨识解析系统的新方法，适用于由预定字典项线性参数化的系统。他们证明了一个尖锐的零一律，表明要么没有输入能唯一确定系数，要么几乎所有来自非退化高斯测度的随机输入都能唯一确定系数。该方法简化了单次系统辨识，并为恢复的模型提供了证书，数值示例证明了其从单轨迹数据中恢复动力系统、非线性偏微分方程和结构化矩阵族的有效性。
-
在多尺度方程的物理信息学习中发现新的公式差距
研究人员在非线性多尺度椭圆方程的物理信息学习中发现了一个统计公式差距。他们证明了一个变分神经网络求解器的有限样本误差界限，表明稳定、采样和优化常数与尺度 $\epsilon$ 无关。然而，经验 Rademacher 复杂度与强残差和平方强残差损失分别与 $\epsilon\sqrt{N}$ 和 $\epsilon^2\sqrt{N}$ 成反比，表明存在统计病态。虽然变分公式可以缓解这种统计惩罚，但多尺度近似问题仍然存在。
-
新研究详细介绍了基于核的算子学习，包含误差分析和物理信息扩展
研究人员发表了关于基于核的算子学习的新工作，详细介绍了误差分析和预算分配策略。该研究引入了一个涉及离线回归和在线重构算子的两阶段框架，并建立了平衡训练数据、输入观测和输出分辨率的条件。此外，还提出了一种物理信息扩展，该扩展在不重新训练的情况下融入了偏微分方程的知识，并通过数值实验证明了其有效性。
-
神经网络加速伪谱计算用于稳定性分析
研究人员开发了一种新颖的神经网络方法来加速结构化非正规带状矩阵的伪谱计算。该方法预测谱敏感区域，从而仅在需要时进行集中计算，避免了在整个复平面上的详尽评估。数值实验表明，这种神经引导域限制在保持这些敏感区域识别的高精度的同时，显著加快了计算速度。
-
新的ADANNs方法增强了参数化偏微分方程的深度学习
研究人员推出了一种新颖的深度学习方法——算法设计的神经网络 (ADANNs)，用于逼近与参数化偏微分方程相关的算子。该方法将经典数值逼近技术与深度算子学习相结合，创建了受数值算法启发的专用神经网络架构和初始化方案。ADANNs旨在初始化时模仿高效的经典数值算法，在各种参数化偏微分方程的数值测试中表现出比现有方法显著的性能提升。