The multipole expansion method (MEM) is a spatial discretization technique that is widely used in applications that feature scattering of waves from circular cylinders. Moreover, it also serves as a key component in several other numerical methods in which scattering computations involving arbitrarily shaped objects are accelerated by enclosing the objects in artificial cylinders. A fundamental question is that of how fast the approximation error of the MEM converges to zero as the truncation number goes to infinity. Despite the fact that the MEM was introduced in 1913, and has been in widespread usage as a numerical technique since as far back as 1955, to the best of the authors' knowledge, a precise characterization of the asymptotic rate of convergence of the MEM has not been obtained. In this work, we provide a resolution to this issue. While our focus in this paper is on the Dirichlet scattering problem, this is merely for convenience and our results actually establish convergence rates that hold for all MEM formulations irrespective of the specific boundary conditions or boundary integral equation solution representation chosen.


翻译:多极扩展法(MEM)是一种空间离散技术,广泛用于从圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆圆

0
下载
关闭预览

相关内容

专知会员服务
31+阅读 · 2021年6月12日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
72+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
176+阅读 · 2019年10月11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
“CVPR 2020 接受论文列表 1470篇论文都在这了
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10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
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年7月28日
VIP会员
相关VIP内容
专知会员服务
31+阅读 · 2021年6月12日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
72+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
176+阅读 · 2019年10月11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
相关资讯
“CVPR 2020 接受论文列表 1470篇论文都在这了
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10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
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员