For gradient flows, the existing structure-preserving schemes are difficult to achieve arbitrary high-order accuracy in time while preserving maximum-principle (MBP) and energy dissipating simultaneously. In this paper, we develop a new framework for constructing structure-preserving schemes which shall preserve those nice properties. By introducing KKT-conditions for energy dissipating and bound-preserving, we rewrite the original gradient flow into an expanded and coupled system. We shall utilize a novel predictor-corrector-corrector framework, termed the PCC method, which consists of a prediction from any numerical scheme to the user's favor, followed by two correction steps designed to enforce energy stability and MBP, respectively. We take the exponential time differencing Runge-Kutta scheme (ETDRK) as an example and establish the unique solvability and robust error analysis for our new framework. Extensive numerical experiments are provided to validate the efficiency and accuracy of our new approach. Enough numerical comparisons with the existing popular schemes are shown that our structure-preserving schemes can avoid numerical oscillations and capture the exact evolution of energy.


翻译:针对梯度流问题,现有保结构格式难以在时间上同时实现任意高阶精度、保持最大原理(MBP)与能量耗散特性。本文提出一种构建保结构格式的新框架,旨在同时保持这些优良性质。通过引入能量耗散与保界的KKT条件,我们将原始梯度流重写为一个扩展的耦合系统。我们将采用一种新颖的预测-校正-校正框架,称为PCC方法,该方法首先使用任意用户偏好的数值格式进行预测,随后通过两个校正步骤分别强制实现能量稳定性与MBP。以指数时间差分龙格-库塔格式(ETDRK)为例,我们为新框架建立了唯一可解性及鲁棒误差分析。大量数值实验验证了新方法的高效性与精确性。与现有主流格式的充分数值对比表明,我们的保结构格式能够避免数值振荡并精确捕捉能量演化过程。

0
下载
关闭预览

相关内容

梯度的本意是一个向量(矢量),表示某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大(为该梯度的模)。
【ICML2023】SEGA:结构熵引导的图对比学习锚视图
专知会员服务
22+阅读 · 2023年5月10日
【WWW2021】张量时间序列网络
专知会员服务
44+阅读 · 2021年4月20日
【WWW2021】场矩阵分解机推荐系统
专知会员服务
33+阅读 · 2021年2月27日
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
误差反向传播——CNN
统计学习与视觉计算组
30+阅读 · 2018年7月12日
在TensorFlow中对比两大生成模型:VAE与GAN
机器之心
12+阅读 · 2017年10月23日
MNIST入门:贝叶斯方法
Python程序员
23+阅读 · 2017年7月3日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关VIP内容
【ICML2023】SEGA:结构熵引导的图对比学习锚视图
专知会员服务
22+阅读 · 2023年5月10日
【WWW2021】张量时间序列网络
专知会员服务
44+阅读 · 2021年4月20日
【WWW2021】场矩阵分解机推荐系统
专知会员服务
33+阅读 · 2021年2月27日
相关资讯
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
误差反向传播——CNN
统计学习与视觉计算组
30+阅读 · 2018年7月12日
在TensorFlow中对比两大生成模型:VAE与GAN
机器之心
12+阅读 · 2017年10月23日
MNIST入门:贝叶斯方法
Python程序员
23+阅读 · 2017年7月3日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员