Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Guaranteed a posteriori error bounds for low-rank tensor approximate solutions

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985840%3A_____%2F21%3A00541908" target="_blank" >RIV/67985840:_____/21:00541908 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.1093/imanum/draa010" target="_blank" >https://doi.org/10.1093/imanum/draa010</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1093/imanum/draa010" target="_blank" >10.1093/imanum/draa010</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Guaranteed a posteriori error bounds for low-rank tensor approximate solutions

  • Popis výsledku v původním jazyce

    We propose a guaranteed and fully computable upper bound on the energy norm of the error in low-rank tensor train (TT) approximate solutions of (possibly) high-dimensional reaction–diffusion problems. The error bound is obtained from Euler–Lagrange equations for a complementary flux reconstruction problem, which are solved in the low-rank TT representation using the block alternating linear scheme. This bound is guaranteed to be above the energy norm of the total error, including the discretization error, the tensor approximation error and the error in the solver of linear algebraic equations, although quadrature errors, in general, can pollute its evaluation. Numerical examples with the Poisson equation and the Schrödinger equation with the Henon–Heiles potential in up to 40 dimensions are presented to illustrate the efficiency of this approach.

  • Název v anglickém jazyce

    Guaranteed a posteriori error bounds for low-rank tensor approximate solutions

  • Popis výsledku anglicky

    We propose a guaranteed and fully computable upper bound on the energy norm of the error in low-rank tensor train (TT) approximate solutions of (possibly) high-dimensional reaction–diffusion problems. The error bound is obtained from Euler–Lagrange equations for a complementary flux reconstruction problem, which are solved in the low-rank TT representation using the block alternating linear scheme. This bound is guaranteed to be above the energy norm of the total error, including the discretization error, the tensor approximation error and the error in the solver of linear algebraic equations, although quadrature errors, in general, can pollute its evaluation. Numerical examples with the Poisson equation and the Schrödinger equation with the Henon–Heiles potential in up to 40 dimensions are presented to illustrate the efficiency of this approach.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10101 - Pure mathematics

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA20-01074S" target="_blank" >GA20-01074S: Adaptivní metody pro numerické řešení parciálních diferenciálních rovnic: analýza, odhady chyb a iterativní řešiče</a><br>

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    IMA Journal of Numerical Analysis

  • ISSN

    0272-4979

  • e-ISSN

    1464-3642

  • Svazek periodika

    41

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    27

  • Strana od-do

    1240-1266

  • Kód UT WoS článku

    000651815700014

  • EID výsledku v databázi Scopus

    2-s2.0-85116905135