Tensor Train Accelerated Solution of Volume Integral Equation for 2-D Scattering Problems and Magneto-Quasi-Static Characterization of Multiconductor Transmission Lines
Notice bibliographique
Résumé
The method of moments (MoM) discretization of volume integral equation (VIE) results in dense N × N matrix, N being the number of MoM basis functions. Naïve solution of such a system of linear algebraic equations (SLAE) is expensive when problems become large scale. Recently, tensor decomposition has been introduced for solving the SLAE by folding its matrix and its vectors into high-dimensional tensors. In this paper, we present detailed explanations for tensor train (TT) decomposition of the SLAE matrices and vectors resulting from MoM discretization of VIE for scalar 2-D scattering problems under TM-polarization and magneto-quasi-static characterization of multiconductor transmission lines. For Toeplitz matrices resulted from MoM discretization on structured meshes, the extraordinary performance of TT with scaling of log(N) in CPU time and memory is shown to directly solve SLAE with millions of unknowns within a few minutes and few megabytes of memory. Such log(N) performance is limited, however, to the SLAE with purely Toeplitz matrices corresponding to the scattering problems on homogeneous dielectric scatterers of the rectangular cross section. To overcome this limitation and solve the problems with arbitrarily shaped inhomogeneous objects, we propose an iterative conjugate gradient-TT (CG-TT) scheme for solving MoM discretized VIE, which utilizes TT decomposition for the fast evaluation of the matrix-vector products. The CG-TT shows CPU and memory scaling in the lowand high-frequency regimes with O(N) and O(r2N log N), respectively, r being the highest rank in the TT carriages. Detailed analysis of memory and CPU time scaling with respect to a number of unknowns and timeharmonic frequency is presented.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».