Explore la méthode de fonction aléatoire pour résoudre les PDE à l'aide d'algorithmes d'apprentissage automatique pour approximer efficacement les fonctions à haute dimension.
Explore l'estimation des erreurs dans les méthodes numériques pour résoudre les équations différentielles ordinaires, en mettant l'accent sur l'impact des erreurs sur la précision et la stabilité de la solution.
Explore l'estimation des erreurs dans les méthodes numériques pour résoudre les équations différentielles, en se concentrant sur l'erreur de troncature locale, la stabilité et la continuité de Lipschitz.
Explore les schémas implicites dans l'analyse numérique, en mettant l'accent sur les propriétés de stabilité et de convergence dans la résolution des équations différentielles.
Explore la monotonie inverse dans les méthodes numériques pour les équations différentielles, en mettant l'accent sur les critères de stabilité et de convergence.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Explore des méthodes numériques telles que Crank-Nicolson, Heun, Euler et RK4 pour résoudre les ODE, en mettant l'accent sur l'estimation des erreurs et la convergence.
