We consider the Dynamical Low Rank (DLR) approximation of random parabolic equations and propose a class of fully discrete numerical schemes. Similarly to the continuous DLR approximation, our schemes are shown to satisfy a discrete variational formulation. By exploiting this property, we establish stability of our schemes: we show that our explicit and semi-implicit versions are conditionally stable under a parabolic type CFL condition which does not depend on the smallest singular value of the DLR solution; whereas our implicit scheme is unconditionally stable. Moreover, we show that, in certain cases, the semi-implicit scheme can be unconditionally stable if the randomness in the system is sufficiently small. Furthermore, we show that these schemes can be interpreted as projector-splitting integrators and are strongly related to the scheme proposed by Lubich et al. [BIT Num. Math., 54:171-188, 2014; SIAM J. on Num. Anal., 53:917-941, 2015], to which our stability analysis applies as well. The analysis is supported by numerical results showing the sharpness of the obtained stability conditions.


翻译:我们认为随机抛物线方程式的动态低端近似值(DLR)是随机抛物线方程式的动态低端近似值,并提出了一组完全独立的数字方案。与连续的DLR近似值相似,我们的计划显示能够满足离散的变异配方。我们通过利用这一属性来建立我们的计划的稳定性:我们表明,我们的明确和半隐含的版本在一种不取决于DLR解决方案最小单值的抛物线式CFL(DLR)条件下有条件稳定;而我们的隐含计划是无条件稳定的。此外,我们表明,在某些情况下,如果系统中的随机性足够小,半隐含性计划可以无条件稳定。此外,我们表明,这些计划可以被解释为投射或分裂的集成体,并且与Lubich等人提议的计划密切相关。 [BIT Num. Math., 54:171-188,2014;SIM J. on Num. Anal., 53:917-941,2015],我们的稳定分析也适用于它。我们的分析得到数字结果的支持,以显示获得的稳定性条件的精确性。

0
下载
关闭预览

相关内容

专知会员服务
32+阅读 · 2021年9月16日
专知会员服务
141+阅读 · 2021年3月17日
机器学习在信道建模中的应用综述
专知会员服务
27+阅读 · 2021年3月16日
Python计算导论,560页pdf,Introduction to Computing Using Python
专知会员服务
72+阅读 · 2020年5月5日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
已删除
将门创投
14+阅读 · 2019年5月29日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2022年1月6日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
已删除
将门创投
14+阅读 · 2019年5月29日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25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
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