Projet ANR DFG: MILK


Publications préparatoires au projet

Publications préparatoires au projet

  • Symplectic model reduction methods for the Vlasov equation, Tomasz M. Tyranowski, Michael Kraus, lien.
  • Stochastic variational principles for the collisional Vlasov-Maxwell and Vlasov-Poisson equations , Tomasz M. Tyranowski, Proceedings of the Royal Society A 477 (2252), 20210167, lien.
Publications

Publications de journaux et preprint

  • A neural network closure for the Euler-Poisson system based on kinetic simulations, L. Bois, E. Franck, L. Navoret, V. Vigon, "Kinetic and related models", Février 2022, 15(1): 49-89, lien.
  • Data-driven structure-preserving model reduction for stochastic Hamiltonian systems , Tomasz M. Tyranowski, Preprint lien.
  • Reduced order modeling using auto-encoder and Hamiltonian neural networks , R. Côte, E. Franck, L. Navoret, V. Vigon, G. Steimer, Preprint lien
  • Generalizing Adam To Manifolds For Efficiently Training Transformers , B. Brantner, Preprint lien
  • Symplectic Autoencoders for Model Reduction of Hamiltonian Systems , B. Brantner, M. Kraus, Preprint lien

Proceedings

  • Hyperbolic reduced model for Vlasov-Poisson equation with Fokker-Planck collision, E. Franck, I. Lannabi, Y. Nasseri, L. Navoret, G. Parasiliti Rantone and G. Steimer, lien.
  • Structure-Preserving Transformers for Learning Parametrized Hamiltonian Systems , B. Brantner, G. de Romemont, M. Kraus, Z. Li, Preprint lien
Stages

Stage de M1 et M2

  • Claire Schnoebelen, Modèles réduits pour des EDP paramètriques, lien
Thèses et Habilitation

Thèses

Habilitation de recherche

  • Emmanuel Franck: Numerical method for stiff conservation laws. Application to gas dynamics and plasma physics, Janvier 2023.