Publication

High-Order BUG Dynamical Low-Rank Integrators Based on Explicit Runge–Kutta Methods

2026

Résumé

In this work, we introduce high-order Basis-Update & Galerkin (BUG) integrators based on explicit Runge–Kutta methods for large-scale matrix differential equations. These dynamical low-rank integrators extend the BUG integrator [1] to arbitrary explicit Runge–Kutta schemes by performing a BUG step at each stage of the method. The resulting Runge–Kutta BUG (RK–BUG) integrators are robust with respect to small singular values, fully forward in time, and high-order accurate, while enabling conservation and rank adaptivity. We prove that RK–BUG integrators retain the order of convergence of the underlying Runge–Kutta method until the error reaches a plateau corresponding to the low-rank truncation error, which vanishes as the rank becomes full. This theoretical analysis is supported by several numerical experiments. The results demonstrate the high-order convergence of the RK–BUG integrator and its superior accuracy compared to other existing dynamical low-rank integrators.

Source officielle

https://infoscience.epfl.ch/entities/publication/f2b63a43-1203-4ddd-a07b-96fc307cded3

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2026

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/f2b63a43-1203-4ddd-a07b-96fc307cded3

À propos de ce résultat

Concepts associés (32)

Méthodes de Runge-Kutta

Les méthodes de Runge-Kutta sont des méthodes d'analyse numérique d'approximation de solutions d'équations différentielles. Elles ont été nommées ainsi en l'honneur des mathématiciens Carl Runge et Martin Wilhelm Kutta, lesquels élaborèrent la méthode en 1901. Ces méthodes reposent sur le principe de l'itération, c'est-à-dire qu'une première estimation de la solution est utilisée pour calculer une seconde estimation, plus précise, et ainsi de suite. Considérons le problème suivant : que l'on va chercher à résoudre en un ensemble discret t < t < .

Numerical methods for ordinary differential equations

Numerical methods for ordinary differential equations are methods used to find numerical approximations to the solutions of ordinary differential equations (ODEs). Their use is also known as "numerical integration", although this term can also refer to the computation of integrals. Many differential equations cannot be solved exactly. For practical purposes, however – such as in engineering – a numeric approximation to the solution is often sufficient. The algorithms studied here can be used to compute such an approximation.

Heun's method

In mathematics and computational science, Heun's method may refer to the improved or modified Euler's method (that is, the explicit trapezoidal rule), or a similar two-stage Runge–Kutta method. It is named after Karl Heun and is a numerical procedure for solving ordinary differential equations (ODEs) with a given initial value. Both variants can be seen as extensions of the Euler method into two-stage second-order Runge–Kutta methods.

Afficher plus

Publications associées (8)

Afficher plus

High-Order BUG Dynamical Low-Rank Integrators Based on Explicit Runge–Kutta Methods

Chattez avec Graph Search

Subspace Acceleration for Efficient Nonlinear Water Wave Simulation

Group-and-cut approach for dynamic programming with Fréchet-distributed quantizers

Error Assessment for Finite Elements/Neural Networks Methods Applied to Parametric PDEs