We present a unified framework to efficiently approximate solutions to fractional diffusion problems of stationary and parabolic type. After discretization, we can take the point of view that the solution is obtained by a matrix-vector product of the form $f^{\boldsymbol{\tau}}(L)\mathbf{b}$, where $L$ is the discretization matrix of the spatial operator, $\mathbf{b}$ a prescribed vector, and $f^{\boldsymbol{\tau}}$ a parametric function, such as the fractional power or the Mittag-Leffler function. In the abstract framework of Stieltjes and complete Bernstein functions, to which the functions we are interested in belong to, we apply a rational Krylov method and prove uniform convergence when using poles based on Zolotar\"ev's minimal deviation problem. The latter are particularly suited for fractional diffusion as they allow for an efficient query of the map $\boldsymbol{\tau}\mapsto f^{\boldsymbol{\tau}}(L)\mathbf{b}$ and do not degenerate as the fractional parameters approach zero. We also present a variety of both novel and existing pole selection strategies for which we develop a computable error certificate. Our numerical experiments comprise a detailed parameter study of space-time fractional diffusion problems and compare the performance of the poles with the ones predicted by our certificate.


翻译:我们提出了一个统一框架, 以高效方式解决固定和抛光型的分解扩散问题。 在分解后, 我们可以看到, 解决方案是通过一个以 $ff ⁇ boldsymbol_tau}( L)\mathbf{b}}$( 美元) 的形式的矩阵- 矢量( 美元) 获得的矩阵- 矢量( 美元), 一个指定的矢量( 美元) 和 $\boldsymbol_ tau_ $ ( 美元) 一个参数函数, 例如分数能力或 Mittag- Leffler 函数。 在Stieltjes 和完整 Bernstein 函数的抽象框架中, 我们感兴趣的函数属于这个格式, 我们应用了理性的 Krylov 方法, 当使用基于 Zolotar\\\\ “ ev” 最小偏差点的极量( $) 的极量矩阵时, 就会证明一致。 后者特别适合分数的传播, 因为这样可以有效地查询地图 $\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
84+阅读 · 2020年12月5日
【ICML2020】持续图神经网络,Continuous Graph Neural Networks
专知会员服务
149+阅读 · 2020年6月28日
专知会员服务
60+阅读 · 2020年3月19日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10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
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28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
【LeetCode 136】 关关的刷题日记32 Single Number
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
VIP会员
相关VIP内容
专知会员服务
76+阅读 · 2021年3月16日
专知会员服务
84+阅读 · 2020年12月5日
【ICML2020】持续图神经网络,Continuous Graph Neural Networks
专知会员服务
149+阅读 · 2020年6月28日
专知会员服务
60+阅读 · 2020年3月19日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Top
微信扫码咨询专知VIP会员