254 Arbeiten
Die Arbeit stellt FourierSpecNet vor, ein hybrides Deep-Learning-Framework, das die Fourier-Spektralmethode nutzt, um den Kollisionsoperator der Boltzmann-Gleichung effizient zu approximieren und dabei rechenintensive traditionelle Solver durch eine resolutionsinvariante, hochgenaue und kostengünstige Alternative für elastische und inelastische Kollisionen ersetzt.
Dieser Artikel stellt einen Divide-and-Conquer-Algorithmus zur Approximation eindimensionaler Wahrscheinlichkeitsverteilungen vor, der eine optimale Konvergenzrate aufweist und sich in numerischen Studien als stabiler gegenüber arithmetischen Operationen erweist als bestehende Verfahren.
Diese Arbeit stellt eine neue Methode zur Approximation vor, die tiefgreifende Kernel-Strukturen mit gierigen Algorithmen kombiniert, um durch automatische Anpassung von Parametern und Eingabetransformationen eine höhere Genauigkeit als herkömmliche Kernel-Methoden und neuronale Netze zu erreichen.
Diese Arbeit beweist die Eindeutigkeit des diskreten Calderón-Problems auf mehrdimensionalen Gittern mit Dimension drei oder höher, indem sie eine neuartige Slicing-Technik anwendet, um das Problem in niedrigdimensionale Komponenten zu zerlegen, und diese theoretische Erkenntnis durch numerische Experimente untermauert.
Die Studie stellt ein datengesteuertes Framework auf Basis von -Warteschlangenmodellen vor, um die Bettenkapazität in Intensivstationen unter Berücksichtigung schwankender Nachfrage und variabler Verweildauern präziser zu planen als mit statischen Heuristiken wie der 85%-Auslastungsregel.
Diese Studie bietet den ersten direkten Vergleich zwischen gate-basierten und adiabatischen Quantencomputing-Ansätzen zur Lösung der AC-Leistungsflussgleichungen und zeigt anhand eines 4-Bus-Systems, wie sich QAOA, D-Wave und Fujitsu Digital Annealer hinsichtlich Genauigkeit und Skalierbarkeit für die Optimierung moderner Stromnetze verhalten.
Die Arbeit stellt einen effizienten Multischritt-Ansatz zur Berechnung von Floquet-Multiplikatoren und -Unterräumen vor, der durch die Entwicklung des speicherfreundlichen pTOAR-Algorithmus zur Lösung großer periodischer Polynom-Eigenwertprobleme parasitäre Eigenwerte eliminiert und eine höhere Konvergenzordnung bei geringeren Kosten als herkömmliche Kollokationsmethoden ermöglicht.
Dieser Artikel stellt eine Erweiterung der Fractional HBVMs (FHBVMs) vor, die es ermöglicht, Systeme von Differentialgleichungen mit unterschiedlichen Fraktionalordnungen effizient numerisch zu lösen, und liefert dazu detaillierte Methoden sowie eine entsprechende Matlab-Implementierung.
Diese Arbeit stellt neue Fourier-RQMC-Verfahren vor, die durch die Kombination von Fourier-Inversionstechniken und randomisierter Quasi-Monte-Carlo-Sampling die numerische Schätzung multivariater Shortfall-Risiken und optimaler Allokationen im Frequenzbereich effizienter und genauer machen als herkömmliche Monte-Carlo-Ansätze.
Die Arbeit stellt erstmals Drifting-Modelle für die Generierung molekularer Konformationen vor, die durch die theoretische Herleitung der „Drifting Force Identity" und die entgegengesetzte Wirksamkeit von Kraftintegration in Koordinaten- versus Distanzraum eine millionenfache Beschleunigung gegenüber der klassischen Molekulardynamik bei gleichzeitiger exakter Boltzmann-Verteilung und struktureller Validität ermöglichen.
Die Studie stellt Ptychi-Evolve vor, ein autonomes Framework, das mittels evolutionärer Large-Language-Model-Reasoning-Verfahren neuartige Regularisierungsalgorithmen für die Ptychographie entwickelt, die in Experimenten mit verschiedenen Datensätzen konventionelle Rekonstruktionsmethoden signifikant übertreffen.
Diese Arbeit zeigt, dass die Kombination einer partiell gepivotteten Cholesky-Näherung mit einer Vecchia-Näherung des Residuums exakt einer Vecchia-Näherung der ursprünglichen Matrix mit einem erweiterten Sparsity-Muster entspricht, wodurch Vecchia-Näherungen eine Klasse bestehender Matrixapproximationen vereinen und ihre breite Anwendbarkeit unterstreichen.
Die Arbeit stellt FlexTrace vor, einen neuartigen, austauschbaren und einstufigen Schätzer, der die Spur einer Matrixfunktion effizient und genau allein durch Matrix-Vektor-Produkte mit berechnet, ohne die teuren Produkte mit zu benötigen.
Diese Arbeit stellt eine Tensor-Transformer-Architektur vor, die durch strukturierte spektrale Faktorisierung des Einbettungsraums die Encoder-Parameter um bis zu 75 % reduziert, während sie die Leistungsfähigkeit und Semantik herkömmlicher Transformer-Modelle bewahrt.
Die Arbeit stellt PriorIDENT vor, ein priorinformiertes schwaches Sparse-Regression-Framework, das durch die Integration physikalischer Vorwissen und die Verschiebung von Ableitungen auf glatte Testfunktionen die Identifikation von PDEs aus verrauschten Daten robust und präzise ermöglicht.
Die Autoren entwickeln zwei numerische Verfahren – eine starke Konkurrenz-Strafmethode und ein projiziertes Gradientenverfahren – zur Lösung elliptischer Systeme mit partiellen Segregationsbeschränkungen, bei denen drei nichtnegative Komponenten punktweise multiplikativ verschwinden müssen.
Dieses Papier aktualisiert eine frühere Übersicht über stochastisches Runden, indem es die Fortschritte der letzten vier Jahre zusammenfasst und dabei den Schwerpunkt auf die neue Variante des stochastischen Rundens mit begrenzter Präzision legt, um dessen industrielle Anwendung und Hardware-Implementierung voranzutreiben.
Dieses Papier entwickelt eine spektrale Methode zur Analyse von kinetischen und viskosen Grenzschichten an Netzwerkknoten der linearisierten BGK-Gleichung, um daraus asymptotisch abgeleitete Kopplungsbedingungen für das makroskopische akustische System zu bestimmen.
Diese Arbeit stellt ein robustes, allgemeines 3D-FEM-Rahmenwerk für die Fahrzeug-Bridge-Wechselwirkung im Schienenverkehr vor, das absolute Koordinaten und nichtlineare Rad-Schiene-Kontaktmodelle nutzt, um auch extreme Szenarien mit großen seitlichen Verschiebungen realistisch zu simulieren.
Diese Arbeit stellt ein neuartiges, auf der SPEED-Software basierendes Rechenframework vor, das Model Order Reduction mit einer Discontinuous Galerkin Spectral Element Method (DGSEM) kombiniert, um die elektromechanisch-akustische Kopplung in großflächigen PMUT-Arrays effizient und hochpräzise zu simulieren.