Baumtensornetzwerke (TTNs) sorgen für eine kompakte und strukturierte Darstellung
von hochdimensionalen Daten, was sie in verschiedenen Bereichen wertvoll macht
Computermathematik und Physik. In diesem Papier, Wir präsentieren eine strenge
mathematischer Rahmen zum Ausdrücken von Ableitungen höherer Ordnung
TTNs, sowohl mit als auch ohne Einschränkungen. Unser Framework zerlegt das Ganze
Ableitung einer gegebenen TTN in eine Summe von TTNs, jeweils entsprechend dem
partielle Ableitungen des ursprünglichen TTN. Mit dieser Zerlegung, wir leiten ab
die Taylor-Entwicklung vektorwertiger Funktionen, die gewöhnlichen unterliegen
Differentialgleichungsbeschränkungen oder algebraische Beschränkungen, die durch auferlegt werden
Runge–Kutta (RK) Methoden. Als konkrete Anwendung, Wir nutzen dieses Framework
Ordnungsbedingungen für RK-Methoden zu konstruieren. Aufgrund des intrinsischen Tensors
Eigenschaften partieller Ableitungen und die separierbare Tensorstruktur in RK
Methoden, Die Taylor-Entwicklung numerischer Lösungen kann in a erhalten werden
Vorgehensweise analog zu exakten Lösungen mit Tensoroperatoren. Das
ermöglicht die direkte Festlegung der Ordnungsbedingungen von RK-Methoden
Vergleich der Taylor-Entwicklungen der exakten und numerischen Lösungen,
Eliminierung der Notwendigkeit einer mathematischen Induktion. Für eine gegebene Funktion
$\Vektor{F}$, Wir leiten schärfere Ordnungsbedingungen ab, die über das Klassische hinausgehen
diejenigen, Ermöglicht die Identifizierung von Situationen, in denen ein Standard-RK-Schema von
Befehl {\es p} erreicht eine unerwartet höhere Konvergenzordnung für das Besondere
Funktion. Diese Ergebnisse stellen neue Verbindungen zwischen der Tensornetzwerktheorie her
und klassische numerische Methoden, möglicherweise neue Wege für beide eröffnen
analytische Erkundung und praktische Berechnung.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: