To solve linear PDEs on metric graphs with standard coupling conditions (continuity and Kirchhoff's law), we develop and compare a spectral, a second-order finite difference, and a discontinuous Galerkin method. The spectral method yields eigenvalues and eigenvectors of arbitary order with machine precision and converges exponentially. These eigenvectors provide a Fourier-like basis on which to expand the solution; however, more complex coupling conditions require additional research. The discontinuous Galerkin method provides approximations of arbitrary polynomial order; however computing high-order eigenvalues accurately requires the respective eigenvector to be well-resolved. The method allows arbitrary non-Kirchhoff flux conditions and requires special penalty terms at the vertices to enforce continuity of the solutions. For the finite difference method, the standard one-sided second-order finite difference stencil reduces the accuracy of the vertex solution to $ O(h^{3/2})$. To preserve overall second-order accuracy, we used ghost cells for each edge. For all three methods we provide the implementation details, their validation, and examples illustrating their performance for the eigenproblem, Poisson equation, and the wave equation.


翻译:为了用标准组合条件(连续和Kirchhoff法)解决图中线性PDE,我们开发并比较光谱、二级定值差异和不连续的Galerkin方法。光谱方法产生机器精度和指数趋同的任意非基质值和自然秩序的精度值和源源数。这些源源量为扩大解决方案提供了类似Fourier的基础;然而,更复杂的组合条件需要额外的研究。不连续的Galerkin方法提供了任意的多元顺序的近似值;然而,高序电子值的精确度要求相关电子元源量的完全解析。该方法允许任意的非基质值通量条件,并要求在脊椎处有特殊的惩罚条件,以强制解决方案的连续性。对于有限的差异方法,标准一至二级定值差异的Stencil降低了逆差的精确度为 $ O ( ⁇ 3/2} 。为了保存总体的二次序列精度,我们使用的幽等式模型,我们为每个边端的等式模型。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
详解GAN的谱归一化(Spectral Normalization)
PaperWeekly
11+阅读 · 2019年2月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
An unifying point of view on expressive power of GNNs
Pointer Graph Networks
Arxiv
7+阅读 · 2020年6月11日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
详解GAN的谱归一化(Spectral Normalization)
PaperWeekly
11+阅读 · 2019年2月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员