AI4PDEs新热点！基于极限学习机、随机特征、区域分解、最小二乘方法求解线性、非线性PDE方程组，高精度高效率匹敌传统数值方法

以下文章根据时间线汇总：

鼻祖论文1

局部极限学习机与区域分解方法用于求解线性和非线性偏微分方程
作者: Suchuan Dong¹, Zongwei Li²
所属机构:
¹ 美国普渡大学，计算与应用数学中心，数学系，西拉斐特，印第安纳州，美国
² 美国普渡大学，数学系，韦恩堡，印第安纳州，美国接收日期: 2020年12月19日
修订日期: 2021年4月2日
接受日期: 2021年6月17日
在线发布时间: xxxx

摘要:
我们提出了一种基于神经网络的方法，通过结合极限学习机（Extreme Learning Machine, ELM）、区域分解和局部神经网络的思想，用于求解线性和非线性偏微分方程。在每个子域内，场解由一个局部前馈神经网络表示，并在子域边界上施加 (C^k) 连续性条件。每个局部神经网络由少量隐藏层组成，但其最后一层隐藏层可以很宽。局部神经网络所有隐藏层中的权重/偏置系数预设为随机值，并在整个计算过程中固定，仅输出层的权重系数为训练参数。整个神经网络通过线性或非线性最小二乘计算进行训练，而非使用反向传播算法。针对时间相关的线性/非线性偏微分方程的长期动态模拟，我们结合提出的方法引入了一种块时间推进方案。当前方法对神经网络自由度具有清晰的收敛性，随着训练参数数量、训练数据点数量或子域数量的增加，其数值误差通常呈指数或近似指数下降。我们进行了广泛的数值实验，以证明该方法的计算性能，并展示其在一些测试问题中的长期动态模拟能