Probabilistic Richardson extrapolation
概率化 Richardson 外推AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究概率数值计算与多保真度建模，未提供所列经济计量细分方向的直接依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
概率化 Richardson 外推
- 研究问题
- 面对多个连续体离散化、数值收敛阶难以解析的计算模型，如何用概率方法估计收敛阶并选择计算精度以改善外推？
- 方法与思路
- 作者用高斯过程构造 Gauss–Richardson 外推，连接经典外推与多保真度建模，并把精度层级选择表述为可近似求解的连续优化。
- 材料陈述的贡献
- 摘要称，在所建立条件下，条件均值外推可取得多项式乃至指数级收敛加速；计算心脏模型案例展示了实际精度改善。
- 阅读关注点
- 应核对高斯过程设定、未知收敛阶的估计及加速条件，区分收敛速度与计算耗时，并查看精度层级优化和案例成本比较。
- 阅读边界
- 仅据所给 Crossref 摘要；加速条件、计算预算和不确定性校准结果未说明，不能将收敛加速等同运行时间优势或推断版本变化。
原文摘要
Abstract For over a century, extrapolation methods have provided a powerful tool to improve the convergence order of a numerical method. However, these tools are not well-suited to modern computer codes, where multiple continua are discretized and convergence orders are not easily analysed. To address this challenge, we present a probabilistic perspective on Richardson extrapolation, a point of view that unifies classical extrapolation methods with modern multi-fidelity modelling, and handles uncertain convergence orders by allowing these to be statistically estimated. The approach is developed using Gaussian processes, leading to Gauss–Richardson Extrapolation. Conditions are established under which extrapolation using the conditional mean achieves a polynomial (or even an exponential) speed-up compared to the original numerical method. Further, the probabilistic formulation unlocks the possibility of experimental design, casting the selection of fidelities as a continuous optimization problem, which can then be (approximately) solved. A case study involving a computational cardiac model demonstrates that practical gains in accuracy can be achieved using the GRE method.