Quasi-equilibrium approximation is a widely used closure approximation approach for model reduction with applications in complex fluids, materials science, etc. It is based on the maximum entropy principle and leads to thermodynamically consistent coarse-grain models. However, its high computational cost is a known barrier for fast and accurate applications. Despite its good mathematical properties, there are very few works on the fast and efficient implementations of quasi-equilibrium approximations. In this paper, we give efficient implementations of quasi-equilibrium approximations for antipodally symmetric problems on unit circle and unit sphere using polynomial and piecewise polynomial approximations. Comparing to the existing methods using linear or cubic interpolations, our approach achieves high accuracy (double precision) with much less storage cost. The methods proposed in this paper can be directly extended to handle other moment closure approximation problems.


翻译:准平衡近似值是一种广泛使用的封闭近似值方法,用于使用复杂的液体、材料科学等应用来减少模型。它基于最大对流原则,并导致热动力一致的粗粗谷物模型。然而,它的高计算成本是已知的快速和准确应用的障碍。尽管它具有良好的数学特性,但关于快速和高效地实施准平衡近似值的工作却很少。在本文中,我们通过多球和片形多球近似值,对单位圆和单位球体的反对称问题有效地实施准平衡近似值。与使用线形或立方相交织的现有方法相比,我们的方法以低得多的存储成本实现了高精度(双精度 ) 。 本文中建议的方法可以直接扩展, 以便处理其他时的关闭近似近似问题。

0
下载
关闭预览

相关内容

【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
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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