Data and source code for "Semi matrix-free twogrid preconditioners for the Helmholtz equation with near optimal shifts"
Notice bibliographique
Résumé
This archive contains the data and source code accompanying the article "Semi matrix-free twogrid preconditioners for the Helmholtz equation with near optimal shifts" The Helmholtz multigrid implementation is based on the MFEM version with git commit id 5457d033d457db5b3543fa47e97b69566baad21e Please use this commit id for a diff in order to see all the modifications and additions provided by this archive. The main Helmholtz multigrid implementation used in the article is located in "examples/helmholtz_mg" with two target executables: - "helmholtz_mg_generate.cpp" contains the code which generates the training data used for the subsequent nonlinear regression - "helmholtz_mg.cpp" computes the solution for a specified scenario and complex shift strategy Moreover, we include the snippets used to postprocess the generated training data in "examples/helmholtz_mg/snippets". The subdirectories are: - "postprocess" contains the generated training data used in the article and a postprocess script for further processing - "approximate" contains the script to perform the nonlinear regression on the previously postprocessed data Installation notes: MFEM must be compiled with MPI and the following additional packages must be enabled: - Hypre - Metis - PETSc with MUMPS The implementation was tested with the following versions: - openmpi-4.0.5 - hypre-2.20.0 - metis-5.1.0 - petsc-3.14.1 - mumps-5.3.3 The Python snippets additionally depend on: - NumPy - SymPy, - PyTorch - Matplotlib - Pandas
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,466 | 0,361 |
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 ».