The theory of Wasserstein gradient flows in the space of probability measures provides a powerful framework to study dissipative partial differential equations (PDE). It can be used to prove well-posedness, regularity, stability and quantitative convergence to the equilibrium. However, many PDE are not gradient flows, and hence the theory is not immediately applicable. In this work we develop a straightforward entropy regularised splitting scheme for degenerate non-local non-gradient systems. The approach is composed of two main stages: first we split the dynamics into the conservative and dissipative forces, secondly we perturb the problem so that the diffusion is no longer singular and perform a weighted Wasserstein ``JKO type'' descent step. Entropic regularisation of optimal transport problems opens the way for efficient numerical methods for solving these gradient flows. We illustrate the generality of our work by providing a number of examples, including the Regularized Vlasov-Poisson-Fokker-Planck equation, to which our results applicable.


翻译:瓦森斯坦梯度流理论在概率测量空间范围内提供了一个强大的框架,用于研究分散的局部偏差方程式(PDE) 。它可以用来证明稳妥、正常、稳定、数量趋同于平衡。 但是,许多PDE不是梯度流,因此,理论不能立即适用。在这项工作中,我们为堕落的非本地非梯度系统开发了一个直接的星球常规分解计划。这个方法由两个主要阶段组成:首先,我们将动态分解成保守和消散的力量,其次,我们纠察问题,这样,扩散就不再是单一的,而是执行一个加权的瓦塞尔斯坦“JKO”型的下降步骤。最佳运输问题的常规化为解决这些梯度流动的高效数字方法开辟了道路。我们通过提供许多范例来说明我们工作的一般性,其中包括我们的结果适用的正规化的Vlasov-Poisson-Fokker-Planc等式。

0
下载
关闭预览

相关内容

专知会员服务
14+阅读 · 2021年5月21日
如何构建你的推荐系统?这份21页ppt教程为你讲解
专知会员服务
64+阅读 · 2021年2月12日
【DeepMind】强化学习教程,83页ppt
专知会员服务
152+阅读 · 2020年8月7日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26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
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年7月15日
VIP会员
相关VIP内容
专知会员服务
14+阅读 · 2021年5月21日
如何构建你的推荐系统?这份21页ppt教程为你讲解
专知会员服务
64+阅读 · 2021年2月12日
【DeepMind】强化学习教程,83页ppt
专知会员服务
152+阅读 · 2020年8月7日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26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
相关资讯
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员