B-methods: Special time-integrators for differential equations with blow-up solutions
Bibliographic record
Abstract
De nombreuses équations différentielles non-linéaires ont des solutions qui cessent d'exister en temps fini car leur norme devient infinie. On dit alors que la solution explose en temps fini. Ce phénomène revêt généralement une grande importance dans l'interprétation physique des résultats, malheureusement la plupart de ces équations différentielles ne peuvent pas être résolues explicitement. De plus l'approximation numérique du phénomène d'explosion est délicat et la plupart des méthodes standards ne donnent que des résultats médiocres. Dans cette thèse nous proposons des façons de construire des méthodes numériques à pas de temps fixe, spécialisées dans l'approximation d'une solution qui explose, les B-méthodes (dans le cas d'équations aux dérivés partielles, nous obtenons des semi-discrétisations en temps). Deux approches sont présentées en détail : l'une consiste en une "splitting method" tandis que l'autre provient d'une variation de la constante. Toutes deux se basent sur la même idée : exploiter le fait que la solution d'une équation simplifiée (formée de la partie non-linéaire responsable de l'explosion) peut être écrite explicitement. Nous commençons par bien définir le problème et présentons une revue étendue de la littérature consacrée au sujet, tant du point de vue théorique que du point de vue numérique. Puis, après avoir expliqué ces deux méthodes de construction sur un exemple, nous les appliquons à différents modèles et obtenons ainsi de nombreuses B-méthodes. Toutes ces méthodes sont ensuite programmées et des tests numériques étendus viennent illustrer la supériorité des performances des B-méthodes sur celles des méthodes standards. Un chapitre est également consacré à l'étude théorique de quelques B-méthodes. Les théorèmes qui y sont prouvés viennent supporter les résultats prometteurs des tests numériques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".