🔢 Category

math.NA

266 Arbeiten

Comparison of data-driven symmetry-preserving closure models for large-eddy simulation

Diese Studie vergleicht verschiedene datengetriebene Ansätze zur Erhaltung von Symmetrien in Large-Eddy-Simulationen und zeigt, dass symmetrieerhaltende neuronale Netze zwar ähnliche Vorhersagegenauigkeit wie unbeschränkte Modelle erreichen, aber physikalisch konsistentere Geschwindigkeitsgradient-Statistiken liefern, was die Bedeutung der Symmetrieerhaltung für die Qualität des gelernten Abschlusses unterstreicht.

Syver Døving Agdestein, Benjamin Sanderse2026-03-06🔬 physics

Stochastic gradient descent based variational inference for infinite-dimensional inverse problems

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.

Jiaming Sui, Junxiong Jia, Jinglai Li2026-03-05🔢 math

Using BDF schemes in the temporal integration of POD-ROM methods

Diese Arbeit untersucht die zeitliche Diskretisierung von POD-ROM-Methoden für semilineare Reaktions-Diffusions-Probleme mittels BDF-q-Verfahren ($1\le q\le 5)undbeweistunterVerwendungvonDifferenzenquotientenderSnapshotseineoptimaleKonvergenzordnungvon) und beweist unter Verwendung von Differenzenquotienten der Snapshots eine optimale Konvergenzordnung von q$ in der Zeit.

Bosco García-Archilla, Alicia García-Mascaraque, Julia Novo2026-03-05🔢 math

Krylov and core transformation algorithms for an inverse eigenvalue problem to compute recurrences of multiple orthogonal polynomials

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.

Amin Faghih, Michele Rinelli, Marc Van Barel + 2 more2026-03-05🔢 math

Determinant-Based Error Bounds for CUR Matrix Approximation: Oversampling and Volume Sampling

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.

Frank de Hoog, Markus Hegland2026-03-05🔢 math