numerical analysis
PulseAugur coverage of numerical analysis — every cluster mentioning numerical analysis across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。