hp-VPINNs: Variational physics-informed neural networks with domain decomposition

We formulate a general framework for hp-variational physics-informed neural networks (hp-VPINNs) based on the nonlinear approximation of shallow and deep neural networks and hp-refinement via domain decomposition and projection onto the space of high-order polynomials. The trial space is the space o...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Computer methods in applied mechanics and engineering Ročník 374; číslo C; s. 113547
Hlavní autoři:	Kharazmi, Ehsan, Zhang, Zhongqiang, Karniadakis, George E.M.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Amsterdam Elsevier B.V 01.02.2021 Elsevier BV Elsevier
Témata:	Algorithms Approximation Artificial neural networks Automatic differentiation Differential equations Domain decomposition Domain decomposition methods hp-refinement Machine learning Neural networks Optimization Partial differential equations Physics-informed learning Polynomials Variational neural network VPINNs Partial differential equations Variational neural network hp-refinement Physics-informed learning Domain decomposition VPINNs Automatic differentiation
ISSN:	0045-7825, 1879-2138
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!