Journal of Scientific Computing· 2026Q1
Kararlı İntegratörler İçin Zaman Adımı Boyutu Denetleyicilerini Tasarlamak Üzere Makine Öğrenmesi Kullanımı
Using Machine Learning to Design Time Step Size Controllers for Stable Time Integrators
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
Bayes optimizasyonu ve yeni bir amaç fonksiyonu, yerleşik hata tahminlerine sahip kararlı integratörler için zaman adımı boyutu denetleyicileri tasarlayarak, en gelişmiş yöntemlerle karşılaştırılabilir performans elde eder.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Zaman adımı boyutu denetleyicileri tasarlamak için Bayes optimizasyonunu kullanan bir makine öğrenmesi yöntemi önerilmektedir.
- Tolerans yakınsaması ve hesaplama kararlılığını yakalamak için yeni bir amaç fonksiyonu tanıtılmaktadır.
- Yöntem, klasik PI/PID denetleyicilerini genişleten MPRK ve Rosenbrock tipi şemalara uygulanmaktadır.
- Optimize edilmiş denetleyiciler, çeşitli adi ve kısmi diferansiyel denklemler genelinde en gelişmiş yöntemlerle karşılaştırılabilir performans sergilemektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract We present a new method for developing time step controllers based on a technique from the field of machine learning. This method is applicable to stable time integrators that have an embedded scheme, i.e., that provide a local error estimate similar to Runge–Kutta pairs. To design good time step size controllers using these error estimates, we propose to use Bayesian optimization. In particular, we design a novel objective function that captures important properties such as tolerance convergence and computational stability. We apply our new approach to several modified Patankar–Runge–Kutta (MPRK) schemes and a Rosenbrock-type scheme, equipping them with controllers based on digital signal processing which extend classical PI and PID controllers. We demonstrate that the optimization process yields controllers that are at least as good as the best controllers chosen from a wide range of suggestions available for classical explicit and implicit time integration methods by providing work-precision diagrams for a variety of ordinary and partial differential equations.
Yazarların özeti; kaynağından alınmıştır. Journal of Scientific Computing, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sayısal Analiz
Numerical AnalysisMathematics