Efficient accurate non-iterative breaking point detection and computation for state-dependent delay differential equations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When solving delay differential equations (DDEs) with state-dependent delays the problem of breaking point detection is important. Points where the solution is not smooth enough to provide the order of the method must be included into the computational mesh, otherwise a reduction in the order of the solution will result. The problem, however is to detect and compute such points efficiently. Breaking points arise every time a delay falls on a previous breaking point (either of the calculated solution or in the history function). In the case of retarded DDEs the new breaking point is (at least) one order smoother than the previous breaking point that gave rise to it. For fixed or time-dependent delays the breaking points can be precomputed independent of the solution, but for state-dependent delays the positions of the breaking points depend on the computed solution. If a breaking point is detected and the step-size is changed in order to incorporate the point into the mesh, then the new step-size generates a new solution and the breaking point moves. Consequently, breaking point detection is traditionally performed iteratively, and is computationally expensive. The same breaking point can also be detected multiple times. In the current work we propose a fast non-iterative method for finding breaking points with sufficient precision to preserve the order of up to third or fourth order methods. Our method makes use of analytic continuation of the solution across breaking points (including possible breaking points in the initial history function), and we explain how we handle this carefully to attain the desired order. Test results are presented for Explicit Functional Continuous Runge–Kutta methods, showing that they retain their order of convergence when the solutions have breaking points.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle