The Initial Value Problem (IVP) is concerned with finding solutions to a system of autonomous ordinary differential equations (ODE) \begin{equation} \textbf{x}' = \textbf{f}(\textbf{x}) \end{equation} with given initial condition $\textbf{x}(0)\in B_0$ for some box $B_0\subseteq \mathbb{R}^n$. Here $\textbf{f}:\mathbb{R}^n\to\mathbb{R}^n$ and $\textbf{x}:[0,1]\to\mathbb{R}^n$ where $\textbf{f}$ and $\textbf{x}$ are $C^1$-continuous. Let $\texttt{IVP}_\textbf{f}(B_0)$ denote the set of all such solutions $\textbf{x}$. Despite over 40 years of development to design a validated algorithm for the IVP problem, no complete algorithm currently exists. In this paper, we introduce a novel way to exploit the theory of $\textbf{logarithmic norms}$: we introduce the concept of a $\textbf{radical transform}$ $\pi:\mathbb{R}^n\to\mathbb{R}^n$ to convert the above $(\textbf{x},\textbf{f})$-system into another system $\textbf{y}' = \textbf{g}(\textbf{y})$ so that the $(\textbf{y},\textbf{g})$-space has negative logarithmic norm in any desired small enough neighborhood. Based on such radical transform steps, we construct a complete validated algorithm for the following $\textbf{End-Enclosure Problem}$: \begin{equation} INPUT: (\textbf{f}, B_0,\varepsilon), \qquad\qquad OUTPUT: (\underline{B}_0,B_1) \end{equation} where $B_0\subseteq \mathbb{R}^n$ is a box, $\varepsilon>0$, such that $\underline{B}_0\subseteq B_0$, the diameter of $B_1$ is at most $\varepsilon$, and $B_1$ is an end-enclosure for $\texttt{IVP}(\underline{B}_0)$, i.e., for all $\textbf{x}\in \texttt{IVP}(\underline{B}_0)$, $\textbf{x}(1)\in B_1$. A preliminary implementation of our algorithm shows promise.


翻译:暂无翻译

0
下载
关闭预览

相关内容

神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
74+阅读 · 2020年8月2日
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
30+阅读 · 2019年10月18日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
31+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
154+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
STRCF for Visual Object Tracking
统计学习与视觉计算组
14+阅读 · 2018年5月29日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
From Softmax to Sparsemax-ICML16(1)
KingsGarden
73+阅读 · 2016年11月26日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
STRCF for Visual Object Tracking
统计学习与视觉计算组
14+阅读 · 2018年5月29日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
From Softmax to Sparsemax-ICML16(1)
KingsGarden
73+阅读 · 2016年11月26日
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员