Zobrazeno 1 - 10
of 131
pro vyhledávání: '"Boullé, N."'
We report the computational discovery of complex, topologically charged, and spectrally stable states in three-dimensional multi-component nonlinear wave systems of nonlinear Schr{\"o}dinger type. While our computations relate to two-component atomic
Externí odkaz:
http://arxiv.org/abs/2208.05703
Publikováno v:
Phys. Rev. A 102, 053307 (2020)
We present previously unknown solutions to the 3D Gross--Pitaevskii equation describing atomic Bose-Einstein condensates. This model supports elaborate patterns, including excited states bearing vorticity. The discovered coherent structures exhibit s
Externí odkaz:
http://arxiv.org/abs/2004.10446
Recently, a novel bifurcation technique known as the deflated continuation method (DCM) was applied to the single-component nonlinear Schr\"odinger (NLS) equation with a parabolic trap in two spatial dimensions. The bifurcation analysis carried out b
Externí odkaz:
http://arxiv.org/abs/1912.00023
Publikováno v:
In Communications in Nonlinear Science and Numerical Simulation August 2020 87
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Boullé, N
Discovering hidden partial differential equations (PDEs) and operators from data is an important topic at the frontier between machine learning and numerical analysis. This doctoral thesis introduces theoretical results and deep learning algorithms t
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::20b97f331ff1d267020a3959745cf3d4
http://arxiv.org/abs/2210.16016
http://arxiv.org/abs/2210.16016
Neural operators are a popular technique in scientific machine learning to learn a mathematical model of the behavior of unknown physical systems from data. Neural operators are especially useful to learn solution operators associated with partial di
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::425329aabcacfce8db7503127167b044
https://ora.ox.ac.uk/objects/uuid:253afdbc-5c42-4910-ae5a-69a17f72c051
https://ora.ox.ac.uk/objects/uuid:253afdbc-5c42-4910-ae5a-69a17f72c051