.png){kind=icon}
返回
The Deep Ritz Method for parametric p-Dirichlet problems
.png){kind=icon}
OA
AI
DOI：10.1186/s13662-025-04043-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们建立了参数化 p-Dirichlet 问题近似解的误差估计，采用深度 Ritz 方法。参数依赖关系包括，例如，变化的几何形状和指数 $p\in (1,\infty)$。将推导出的误差估计与定量逼近定理相结合，可以得到误差衰减率，并证实深度 Ritz 方法在近似高维函数时保留了神经网络的优越逼近能力，这证明了该方法适用于参数化问题。最后，我们展示了数值实验以说明其潜在应用。
Keyword:
Deep Ritz method
Parametric problems
Neural networks
Non-linear variational problems
期刊
A
IF:
1.8
论文数:
167
被引数:
0
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Convergence analysis of a Local Discontinuous Galerkin approximation for nonlinear systems with balanced Orlicz-structure非线性平衡Orlicz-structure系统的局部间断Galerkin逼近的收敛性分析OAAI
OAAI分享收藏Physics-constrained deep learning for high-dimensional surrogate modeling and uncertainty quantification without labeled data用于高维代理建模和不确定性量化的物理约束深度学习，无需标记数据OAAI
OAAI分享收藏Approximation rates for neural networks with encodable weights in smoothness spaces.png)
NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
查看更多内容