Fast Evaluation of Helmholtz Equation using Proper Orthogonal Decomposition and Neural Networks
Notice bibliographique
Résumé
Summary Partial differential equations (PDEs) are fundamental in engineering and science, describing a wide range of physical phenomena. While analytical solutions exist for idealized conditions, most real-world cases require numerical methods like finite differences, finite elements, or finite volumes. These approaches, however, can be computationally intensive \citep{dai2019review}. Proper Orthogonal Decomposition (POD) offers a solution to reduce computational demands \citep{smith20051ow}. In POD, an offline stage computes high-fidelity solutions to derive a low-rank representation of the data (Reduced Basis). This transforms solving the PDE into a matrix-vector multiplication, significantly reducing computational costs. In this work, we assume we have an incomplete evaluation of the forward response, and we pose an inverse problem where the forward operator is the Reduced Basis, and the model parameters are reduced coefficients. To regularise the problem, we assume smoothness in the data space and train a neural network during the offline stage to approximate the PDE solution. The workflow is applied to 2D Magnetotellurics. Results demonstrate that with only 14% of the high-fidelity data, PDEs can be solved with errors as low as 1–3%, achieving a speedup of seven times compared to full-resolution solutions, highlighting the efficiency of this approach for geophysical applications.
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 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 | 0,000 |
| 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) | 0,001 | 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 tête enseignante, 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 ».