This paper considers the iterative solution of linear systems arising from discretization of the anisotropic radiative transfer equation with discontinuous elements on the sphere. In order to achieve robust convergence behavior in the discretization parameters and the physical parameters we develop preconditioned Richardson iterations in Hilbert spaces. We prove convergence of the resulting scheme. The preconditioner is constructed in two steps. The first step borrows ideas from matrix splittings and ensures mesh independence. The second step uses a subspace correction technique to reduce the influence of the optical parameters. The correction spaces are build from low-order spherical harmonics approximations generalizing well-known diffusion approximations. We discuss in detail the efficient implementation and application of the discrete operators. In particular, for the considered discontinuous spherical elements, the scattering operator becomes dense and we show that $\mathcal{H}$- or $\mathcal{H}^2$-matrix compression can be applied in a black-box fashion to obtain almost linear or linear complexity when applying the corresponding approximations. The effectiveness of the proposed method is shown in numerical examples.


翻译:本文审议了由球体上不连续元素的厌食性散热传输方程式离散产生的线性系统的迭代解决方案。 为了在离散参数和我们在希尔伯特空域上开发的理查德森必备迭代参数方面实现有力的趋同行为, 我们证明由此形成的方案是趋同的。 先决条件是分为两步构建的。 第一步从矩阵分裂中借用想法, 确保网状独立。 第二步使用子空间校正技术来减少光学参数的影响。 校正空间是用低顺序球形调近似构建的, 将众所周知的扩散近似归纳为通用的。 我们详细讨论离散操作器的高效实施和应用。 特别是对于考虑不连续的球形元素, 散开操作器变得密度大, 我们显示, $\macal{H}$- 或 $\mathcal{H ⁇ 2$-matrix 压缩可以黑箱方式应用, 在应用相应的近似近似时获得几乎线性或线性复杂度。 提议的方法的有效性在数字示例中显示。

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
【文本生成现代方法】Modern Methods for Text Generation
专知会员服务
43+阅读 · 2020年9月11日
专知会员服务
159+阅读 · 2020年1月16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
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
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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
【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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
8+阅读 · 2020年10月9日
Learning Implicit Fields for Generative Shape Modeling
Arxiv
10+阅读 · 2018年12月6日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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
【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
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4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