Réseaux tenseurs d'arbres (TTN) fournir une représentation compacte et structurée
de données de grande dimension, ce qui les rend précieux dans divers domaines de
mathématiques et physique computationnelles. Dans ce document, nous présentons un rigoureux
cadre mathématique pour exprimer les dérivées d'ordre élevé des fonctions
TTN, avec ou sans contraintes. Notre cadre décompose le total
dérivée d'un TTN donné en une somme de TTN, chacun correspondant au
dérivées partielles du TTN original. En utilisant cette décomposition, nous dérivons
le développement de Taylor des fonctions à valeurs vectorielles soumises à des
contraintes d'équation différentielle ou contraintes algébriques imposées par
Runge–Kutta (RK) méthodes. Comme application concrète, nous utilisons ce cadre
pour construire des conditions d'ordre pour les méthodes RK. En raison du tenseur intrinsèque
propriétés des dérivées partielles et de la structure tensorielle séparable dans RK
méthodes, le développement de Taylor des solutions numériques peut être obtenu dans un
manière analogue à celle des solutions exactes utilisant des opérateurs tensoriels. Ce
permet d'établir directement les conditions d'ordre des méthodes RK
comparer les développements de Taylor des solutions exactes et numériques,
éliminant le besoin d'induction mathématique. Pour une fonction donnée
$\vecteur{f}$, nous en déduisons des conditions d'ordre plus précises qui vont au-delà des conditions classiques
ceux, permettant d'identifier les situations dans lesquelles un schéma RK standard de
commande {\c'est p} atteint un ordre de convergence étonnamment plus élevé pour le particulier
fonction. Ces résultats établissent de nouvelles connexions entre la théorie des réseaux tensoriels
et méthodes numériques classiques, ouvrant potentiellement de nouvelles voies pour les deux
exploration analytique et calcul pratique.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: