math.NA Arbeiten | Gist.Science

A 3D sharp and conservative VOF method for modeling the contact line dynamics with hysteresis on complex boundaries

Die Autoren stellen eine scharfe und konservative 3D-VOF-Methode vor, die auf einem eingebetteten Grenzflächen-Framework basiert, um Kontaktliniendynamiken mit Hysterese auf komplexen Geometrien durch eine modifizierte Advektionsschemata für Mischzellen, eine Umverteilungsstrategie zur Beseitigung der CFL-Einschränkung und ein neuartiges Kontaktwinkel-Imponierungsverfahren präzise zu simulieren.

Chong-Sen Huang, Tian-Yang Han, Jie Zhang, Ming-Jiu NiThu, 12 Ma🔢 math

Geometrically Explicit Cosserat-Rod Modeling with Piecewise Linear Strain for Complex Rod Systems

Diese Arbeit stellt ein geometrisch explizites Kosserat-Stab-Modell vor, das Konfigurations- und Dehnungsbasierte Darstellungen auf der Lie-Gruppe SE(3) vereint, um durch eine stückweise lineare Dehnungsparametrisierung und einen Riemannschen Newton-Löser eine präzise, sperrfreie und skalierbare Simulation komplexer Stabsysteme zu ermöglichen.

Lingxiao Xun, Brahim TamadazteThu, 12 Ma🔢 math

A Trust-Region Interior-Point Stochastic Sequential Quadratic Programming Method

Dieses Paper stellt eine neue Trust-Region-Innenpunkt-Stochastische-Sequentielle-Quadratische-Programmierung-Methode (TR-IP-SSQP) vor, die stochastische Zielfunktionen mit deterministischen nichtlinearen Nebenbedingungen löst, globale Konvergenz unter Standardannahmen garantiert und ihre praktische Leistungsfähigkeit an CUTEst-Problemen sowie logistischen Regressionen demonstriert.

Yuchen Fang, Jihun Kim, Sen Na, James Demmel, Javad LavaeiThu, 12 Ma🔢 math

Intrinsic Numerical Robustness and Fault Tolerance in a Neuromorphic Algorithm for Scientific Computing

Die Studie zeigt, dass ein neuromorpher Algorithmus zur Lösung partieller Differentialgleichungen eine außergewöhnliche inhärente Fehlertoleranz aufweist, da er bis zu 32 % der Neuronen und 90 % der Spikes verlieren kann, ohne dass die Genauigkeit signifikant beeinträchtigt wird.

Bradley H. Theilman, James B. AimoneThu, 12 Ma🤖 cs.AI

Estimating condition number with Graph Neural Networks

Dieses Paper stellt eine schnelle Methode vor, die Graph Neural Networks nutzt, um den Konditionszahl von dünnbesetzten Matrizen effizient zu schätzen und dabei eine signifikante Beschleunigung gegenüber klassischen Verfahren wie Hager-Higham und Lanczos erreicht.

Erin Carson, Xinye ChenThu, 12 Ma🤖 cs.LG

Geo-ADAPT-VQE: Quantum Information Metric-Aware Circuit Optimization for Quantum Chemistry

Die Arbeit stellt Geo-ADAPT-VQE vor, einen geometriebewussten adaptiven VQE-Algorithmus, der durch die Nutzung der natürlichen Gradientenregel für die Operatorauswahl im Vergleich zu bestehenden Methoden eine schnellere und stabilere Konvergenz sowie signifikant kürzere Ansätze für Quantenchemie-Probleme erreicht.

Mohammad Aamir Sohail, Toshiaki Koike-AkinoThu, 12 Ma⚛️ quant-ph

A New Tensor Network: Tubal Tensor Train and Its Applications

Die Arbeit stellt die Tubal Tensor Train (TTT)-Zerlegung vor, ein neues Tensor-Netzwerkmodell, das die t-Produkt-Algebra der T-SVD mit der effizienten Speicherstruktur des Tensor-Train-Formats kombiniert und sich durch lineare Skalierbarkeit sowie erfolgreiche Anwendungen in Bereichen wie Bild- und Videokompression auszeichnet.

Salman Ahmadi-Asl, Valentin Leplat, Anh-Huy Phan, Andrzej CichockiThu, 12 Ma🔢 math

Estimating the condition number of Chebyshev filtered vectors with application to the ChASE library

Diese Arbeit stellt eine Methode zur präzisen und kostengünstigen Abschätzung der Konditionszahl von Chebyshev-gefilterten Vektoren vor, um im ChASE-Algorithmus die optimale QR-Zerlegung automatisch auszuwählen und so die Leistung zu steigern, ohne die Genauigkeit zu beeinträchtigen.

Edoardo Di Napoli, Xinzhe WuThu, 12 Ma🔢 math

Perturbed saddle-point problems in $\mathbf{L}^p$ with non-regular loads

Diese Arbeit entwickelt eine diskrete Lösbarkeitsanalyse für gestörte Sattelpunktprobleme in Banachräumen mit nicht-regulären Lasten, leitet a-priori-Schranken her und untersucht die Konvergenz sowie eine Superkonvergenz-Eigenschaft einer angepassten Stenberg-Nachverarbeitung am Beispiel der linearisierten Poisson-Boltzmann-Gleichung.

Abeer F. Alsohaim, Tomas Führer, Ricardo Ruiz-Baier, Segundo Villa-FuentesThu, 12 Ma🔢 math

QR-Recursive Compression of Volume Integral Equations for Electromagnetic Scattering by Large Metasurfaces

Dieser Artikel stellt ein neues, auf QR-Zerlegung basierendes Kompressionsschema in Kombination mit Volumenintegralgleichungen vor, das die effiziente und genaue numerische Berechnung der elektromagnetischen Streuung an großflächigen, aus tausenden Subwellenlängen-Partikeln bestehenden Metasurfaces ermöglicht.

Vincenzo Mottola, Antonello Tamburrino, Luca Bergamaschi, Andrea G. Chiariello, Emanuele Corsaro, Carlo Forestiere, Guglielmo Rubinacci, Salvatore VentreThu, 12 Ma🔢 math-ph

Realizability-preserving finite element discretizations of the $M_1$ model for dose calculation in proton therapy

Die Autoren stellen ein deterministisches Finite-Elemente-Verfahren für die Dosisberechnung in der Protonentherapie vor, das auf dem $M_1$ -Momentenmodell basiert und durch eine monolithische konvexe Begrenzung (MCL) sowie Strang-Splitting eine physikalisch zulässige und realisierbare Lösung garantiert.

Paul Moujaes, Dmitri Kuzmin, Christian BäumerThu, 12 Ma🔢 math

Efficient design of continuation methods for hyperbolic transport problems in porous media

Die Arbeit bewertet und vergleicht verschiedene Hilfsprobleme für Homotopie-Fortsetzungsmethoden, um robuste und effiziente Lösungsstrategien für nichtlineare Mehrphasenströmungsprobleme in porösen Medien zu entwickeln.

Peter von Schultzendorff, Jakub Wiktor Both, Jan Martin Nordbotten, Tor Harald SandveThu, 12 Ma🔢 math

Computing and Optimizing the $H^2$ -norm of Delay Differential Algebraic Systems

Diese Arbeit stellt eine Lanczos-Tau-Methode zur Approximation und Optimierung der $H^2$ -Norm von Verzögerungs-Differentialalgebraischen Systemen vor, deren Konvergenz und Stabilität bewiesen werden und die durch explizite Gradientenformeln sowie die Verwendung von Spline-Basen für robuste Reglerentwürfe und stabile Modellapproximationen genutzt werden kann.

Evert Provoost, Wim MichielsThu, 12 Ma🔢 math

Efficient Fine-Scale Simulation of Nonlinear Hyperelastic Lattice Structures

Die Arbeit stellt einen effizienten, quasi matrixfreien Solver vor, der durch die Ausnutzung der Selbstähnlichkeit von Gitterzellen in einem Domänenzerlegungsrahmen die Speicher- und Rechenkosten für die nichtlineare Feinskalensimulation hyperelastischer Gitterstrukturen drastisch reduziert, ohne dabei die Genauigkeit zu beeinträchtigen.

Clément Guillet, Thibaut Hirschler, Pierre Jolivet, Pablo Antolin, Robin BouclierThu, 12 Ma🔢 math

On the consistency of the Domain of Dependence cut cell stabilization

Diese Arbeit beweist die Konsistenz der Domain-of-Dependence-Stabilisierung für beliebige Polynomgrade bei exakten Lösungen mit hinreichender Regularität, was eine fundierte Fehleranalyse des Verfahrens auch im Hochordnungsfall ermöglicht.

Gunnar Birke, Christian Engwer, Jan Giesselmann, Sandra MayThu, 12 Ma🔢 math

Numerical analysis for leaky-integrate-fire networks under Euler--Maruyama

Dieser Artikel analysiert die Euler-Maruyama-Simulation von leaky-integrate-and-fire-Netzwerken, indem er für feedforward-Strukturen starke und schwache Konvergenzschranken herleitet, die durch eine spezielle Pruning-and-Balance-Strategie für die Fehler bei Spike-Zeitpunkten und eine angepasste Backward-Kolmogorov-Analyse für die Beobachtungsfehler charakterisiert sind.

Xu'an Dou, Frank Chen, Kevin K Lin, Zhuo-Cheng XiaoThu, 12 Ma🔢 math

A Physics-Informed, Global-in-Time Neural Particle Method for the Spatially Homogeneous Landau Equation

Die Autoren stellen eine physik-informierte neuronale Partikelmethode vor, die die räumlich homogene Landau-Gleichung durch eine Lagrange-Formulierung und neuronale Netze löst, wodurch Zeitdiskretisierungsfehler vermieden, eine strenge Stabilitätsanalyse ermöglicht und eine hohe Genauigkeit mit wenigen Partikeln erreicht wird.

Minseok Kim, Sung-Jun Son, Yeoneung Kim, Donghyun LeeThu, 12 Ma🔢 math

Convergence Analysis of a Fully Discrete Observer For Data Assimilation of the Barotropic Euler Equations

Diese Arbeit leitet erstmals einen zeitunabhängigen Fehlerabschätzung für einen diskreten Luenberger-Beobachter zur Datenassimilation der barotropen Euler-Gleichungen in einer Dimension ab, der unter Verwendung einer modifizierten relativen Energie-Methode eine gleichmäßige Genauigkeit über lange Zeiträume garantiert.

Aidan Chaumet, Jan GiesselmannThu, 12 Ma🔢 math

Linear-Scaling Tensor Train Sketching

Die Arbeit stellt den Block Sparse Tensor Train (BSTT)-Sketch vor, einen strukturierten zufälligen Projektionsoperator, der durch lineare Skalierung in Bezug auf die Tensorordnung und die Subraumdimension eine effiziente und theoretisch fundierte Approximation für Tensor-Train-Formate ermöglicht.

Paul Cazeaux, Mi-Song Dupuy, Rodrigo Figueroa JustinianoThu, 12 Ma🔢 math

Scalable augmented Lagrangian preconditioners for fictitious domain problems

Die Autoren stellen skalierbare Vorkonditionierungstechniken auf Basis des augmentierten Lagrange-Verfahrens vor, die die Konvergenz iterativer Löser für lineare Gleichungssysteme aus der Finite-Elemente-Diskretisierung von Fiktionsdomänen-Problemen mit Lagrange-Multiplikatoren beschleunigen und deren Robustheit sowie Wirksamkeit durch spektrale Analysen und umfangreiche numerische Tests in zwei und drei Dimensionen für Poisson- und Stokes-Probleme nachweisen.

Michele Benzi, Marco Feder, Luca Heltai, Federica MugnaioniMon, 09 Ma🔢 math

← Zurück Weiter →

math.NA