Numerical homogenization aims to efficiently and accurately approximate the solution space of an elliptic partial differential operator with arbitrarily rough coefficients in a $d$-dimensional domain. The application of the inverse operator to some standard finite element space defines an approximation space with uniform algebraic approximation rates with respect to the mesh size parameter $H$. This holds even for under-resolved rough coefficients. However, the true challenge of numerical homogenization is the localized computation of a localized basis for such an operator-dependent approximate solution space. This paper presents a novel localization technique that enforces the super-exponential decay of the basis relative to $H$. This shows that basis functions with supports of width $\mathcal O(H|\log H|^{(d-1)/d})$ are sufficient to preserve the optimal algebraic rates of convergence in $H$ without pre-asymptotic effects. A sequence of numerical experiments illustrates the significance of the new localization technique when compared to the so far best localization to supports of width $\mathcal O(H|\log H|)$.


翻译:数字同质化的真正挑战在于一个具有任意粗略系数的椭圆部分操作员的解决方案空间,该操作员对某种标准的有限元素空间的运用对某种标准的有限元素空间的运用定义了一个具有统一的代数近似空间,对网状大小参数的比重为$H。这甚至对未完全溶解的粗略系数来说也是一样。然而,数字同质化的真正挑战在于对这样一个依赖操作员的近似解决方案空间进行局部化计算。本文展示了一种新颖的本地化技术,对基数比重为$H美元实施超度衰减。这表明,在宽度为$\mathcal O (H ⁇ log H ⁇ (d-1/d}) 的支撑下,基数功能足以保持以美元表示最佳的趋同率,而没有防腐蚀前的影响。一系列数字实验表明,与支持宽度 $\mathal O (H ⁇ ) 的最佳本地化技术相比,新的本地化技术的重要性。

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
专知会员服务
52+阅读 · 2020年9月7日
【经典书】贝叶斯编程,378页pdf,Bayesian Programming
专知会员服务
247+阅读 · 2020年5月18日
专知会员服务
60+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
已删除
将门创投
7+阅读 · 2017年7月11日
Learning to Importance Sample in Primary Sample Space
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
已删除
将门创投
7+阅读 · 2017年7月11日
Top
微信扫码咨询专知VIP会员