GCRO with dynamic deflated restarting for solving adjoint systems of equations for aerodynamic shape optimization
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
Purpose This paper aims to present a dynamically adjusted deflated restarting procedure for the generalized conjugate residual method with an inner orthogonalization (GCRO) method. Design/methodology/approach The proposed method uses a GCR solver for the outer iteration and the generalized minimal residual (GMRES) with deflated restarting in the inner iteration. Approximate eigenpairs are evaluated at the end of each inner GMRES restart cycle. The approach determines the number of vectors to be deflated from the spectrum based on the number of negative Ritz values, k ∗. Findings The authors show that the approach restores convergence to cases where GMRES with restart failed and compare the approach against standard GMRES with restarts and deflated restarting. Efficiency is demonstrated for a 2D NACA 0012 airfoil and a 3D common research model wing. In addition, numerical experiments confirm the scalability of the solver. Originality/value This paper proposes an extension of dynamic deflated restarting into the traditional GCRO method to improve convergence performance with a significant reduction in the memory usage. The novel deflation strategy involves selecting the number of deflated vectors per restart cycle based on the number of negative harmonic Ritz eigenpairs and defaulting to standard restarted GMRES within the inner loop if none, and restricts the deflated vectors to the smallest eigenvalues present in the modified Hessenberg matrix.
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 | 0,002 | 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 | 0,001 | 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