A fast neural hybrid Newton solver adapted to implicit methods for nonlinear dynamics

本文中，我们提出了一种新颖的基于算子学习的混合牛顿法，以加速解决僵硬时间演化非线性方程的非线性时间步长系统。使用隐式时间步进方案对于数值逼近僵硬非线性时间演化方程的解具有众所周知的优点，包括更好的稳定性行为和相应的支持更大的时间步长，以及更好的结构保持特性。然而，这是以每个数值方案的时间步长都要解决一个非线性方程的代价为代价的。我们提出了一种针对学习策略，它在离线阶段促进了强大的无监督学习，并为导致牛顿迭代的高效初始化提供了高度有效的初始化。我们提供了通过改进初始化实现牛顿法的可量化改进速率，并分析了我们的无监督学习策略的泛化误差的上界。这些理论结果得到了广泛的数值结果的支持，证明了我们提出的神经混合求解器在一维和二维情况下的效率。

本论文旨在解决使用隐式时间步进方案数值逼近非线性时变方程解的稳定性问题，提出了一种基于算子学习的混合牛顿法，以加速求解非线性时间步骤系统。该方法旨在提高稳定性，同时降低计算成本。

该论文提出了一种基于算子学习的混合牛顿法，通过离线阶段的无监督学习来提供高效的初始化，从而加速牛顿迭代。该方法的关键思路是通过算子学习来提高牛顿迭代的初始化，从而降低计算成本和提高求解的稳定性。

该论文的亮点包括：提出了一种基于算子学习的混合牛顿法，能够加速求解非线性时间步骤系统；通过离线阶段的无监督学习来提供高效的初始化，从而降低计算成本；实验结果表明，该方法在一维和二维情况下都具有高效性和稳定性。

在相关研究方面，最近的研究包括：《Solving stiff ODEs and DAEs using deep neural networks》、《A deep learning approach to solving stiff ordinary differential equations》等。