265 Arbeiten
Der Artikel stellt eine neue Formulierung des Problems der strukturierten Distanz zur Singularität als nichtlineares Gleichungssystem in zwei Vektoren vor und schlägt einen effizienten Newton-basierten Algorithmus vor, der schneller als bestehende Methoden ist und dabei die Genauigkeit bewahrt.
Dieser Artikel stellt ein raumzeitliches Galerkin-Randelementverfahren im Zeitbereich vor, das durch seine Stabilität und Effizienz bei der Simulation aeroakustischer Streu- und Abschirmphänomene komplexer Quellen wie Propeller überzeugt und sowohl durch analytische Validierung als auch durch den erfolgreichen Abgleich mit experimentellen Messdaten bestätigt wird.
Diese Arbeit leitet für den deterministischen Ensemble-Transform-Kalman-Filter (ETKF) bei unendlich-dimensionalen nichtlinearen dynamischen Systemen erstmals theoretische Fehlerabschätzungen her und zeigt, dass eine geeignete Kovarianz-Inflation zu einer gleichmäßigen Fehlerbeschränkung über die Zeit führt.
Diese Arbeit stellt einen skalierbaren, monolithischen Newton-Krylov-Multigrid-Löser für die Navier-Stokes-Gleichungen vor, der durch die Erweiterung räumlicher Multigrid-Verfahren auf eine Raum-Zeit-Waveform-Relaxation effiziente All-at-once-Lösungen ermöglicht.
Diese Studie vergleicht die Genauigkeit der Reynolds-Gleichung mit der Stokes-Strömung in Eckgeometrien und zeigt, dass die Reynolds-Gleichung bei großen Oberflächengradienten und hohen Expansionsverhältnissen an Genauigkeit verliert, während die in Stokes-Lösungen auftretenden Eckwirbel den Hauptstrom kaum beeinflussen.
Dieser Artikel stellt einen neuen gefilterten Zwei-Schritt-Variationsintegrator für die Dynamik geladener Teilchen in moderaten bis starken Magnetfeldern vor, der für verschiedene Feldstärken nachgewiesene Fehlergrenzen sowie langfristige Energie- und Impulserhaltung aufweist.
Diese Arbeit stellt neuronale Netzwerkmethoden vor, die auf PINNs und RVPINNs basieren, um Lösungen für Neumann-Reihenprobleme von Perron-Frobenius-Operatoren zu approximieren, und liefert dabei sowohl theoretische Fehlerabschätzungen als auch numerische Validierungen für eindimensionale und zweidimensionale Beispiele.
Diese Arbeit stellt zwei auf stochastischem Gradientenabstieg basierende Variationsinferenz-Methoden für unendlichdimensionale inverse Probleme vor, die durch die Einbeziehung von Rauschen eine effiziente Approximation der Posterior-Verteilung ermöglichen und deren theoretische Eigenschaften sowie praktische Anwendung auf lineare und nichtlineare Probleme analysieren.
Diese Arbeit untersucht die zeitliche Diskretisierung von POD-ROM-Methoden für semilineare Reaktions-Diffusions-Probleme mittels BDF-q-Verfahren ($1\le q\le 5q$ in der Zeit.
Diese Arbeit stellt zwei Algorithmen vor, die das Problem der Berechnung von Rekurrenzkoeffizienten für mehrfache orthogonale Polynome auf der Stufenlinie als inverses Eigenwertproblem formulieren und mittels Block-Krylov-Unterräumen sowie Gauß-Eliminationen lösen, wobei ihre Genauigkeit und Stabilität durch numerische Experimente validiert werden.
Diese Arbeit stellt eine neue Methode zur Lösung der planaren Wärmeleitungsgleichung vor, die die Lightning-Methode mit der Laplace-Transformation und der Talbot-Inversion kombiniert, um spektrale Genauigkeit und Wurzel-exponentielle Konvergenz auch in Gebieten mit scharfen Ecken und Singularitäten zu erreichen.
Diese Arbeit leitet gleichmäßige Fehlerabschätzungen für eine stochastische Variante des Ensemble-Kalman-Filters (PO-Methode) mit additiver Inflation im teilweise beobachteten Lorenz-96-Modell her und beweist dabei die Konvergenz sowohl mit als auch ohne Projektion der Hintergrundkovarianz auf den Beobachtungsraum.
Die Autoren stellen einen effizienten Sum-of-Gaussians-Tensor-Neural-Network-Algorithmus (SOG-TNN) vor, der durch eine niedrigrangige Tensor-Darstellung und eine spezielle Zerlegung der Coulomb-Wechselwirkung die Fluch der Dimensionalität bei der Lösung der hochdimensionalen Schrödinger-Gleichung überwindet.
Diese Arbeit verbessert bestehende Algorithmen für lineare Algebra-Aufgaben mit Kernel-Matrizen durch den Einsatz von Dichteschätzung, wodurch die Abhängigkeit von der Datenmenge und dem Fehler signifikant reduziert wird, und ergänzt diese Ergebnisse durch untere Schranken, die die Grenzen dieser Ansätze aufzeigen.
Diese Arbeit stellt eine neue Formulierung der erweiterten Schmierungstheorie vor, vergleicht sie mit bestehenden Modellen und der numerischen Stokes-Lösung, und zeigt, dass die Genauigkeit dieser Modelle maßgeblich von der Oberflächenvariation und dem Längenverhältnis abhängt.
Die Arbeit entwickelt einen Multiskalen-Optimierungsrahmen für Lipschitz-stetige Funktionen, der durch schrittweise Verfeinerung von Gittern und Warm-Start-Techniken nachweislich schnellere Konvergenz und geringere Fehlergrenzen bei deutlich reduziertem Rechenaufwand im Vergleich zu herkömmlichen Einzel-Skalen-Methoden erzielt.
Diese Arbeit leitet determinantenbasierte Fehlerabschätzungen für die CUR-Matrixapproximation ab, die durch ein auf Volumensampling beruhendes probabilistisches Framework die Vorteile des Oversamplings quantifizieren und eine einheitliche theoretische Grundlage für die Analyse von Low-Rank-Approximationen bei allgemeinen sowie symmetrischen positiv semidefiniten Matrizen bieten.
Die Arbeit stellt einen schnellen, linearen Zeitalgorithmus vor, der auf der Schur-Komplement-Methode basiert, um die Reynolds-Gleichung für stückweise lineare Geometrien exakt zu lösen und deren Gültigkeitsgrenzen im Vergleich zur Stokes-Gleichung zu untersuchen.
Diese Arbeit erweitert den CNF-Rahmen für die Lösung von gekoppelten und nichtlinearen partiellen Differentialgleichungen durch eine lerngestützte Kansa-Kollokationsmethode, um Vorwärts- und Inverse Probleme sowie die Entdeckung von Gleichungen effizient zu lösen und dabei die Grenzen herkömmlicher numerischer Verfahren zu überwinden.
Das Paper stellt FastLSQ vor, ein Framework zur extrem schnellen und genauen Lösung von PDEs und inversen Problemen mittels sinusoidaler zufälliger Fourier-Features mit exakten analytischen Ableitungen, das iterative PINN-Verfahren um Größenordnungen in Geschwindigkeit und Präzision übertrifft.