Aug, 2023

利用神经网络快速量化已使用核燃料的不确定性

PDF
TL;DR使用神经网络构建了一种代理模型以降低计算复杂性，并成功预测了用于辐射核能制备中的一些重要特性，如失活热和核素浓度，同时减少了计算成本和风险评估。
spent nuclear fuelsurrogate modelingneural networksdecay heatuncertainty quantification
发现论文，激发创造
  • 基于贝叶斯神经网络的多变量回归材料性质预测的不确定性量化

    使用物理知识指导的贝叶斯神经网络（BNNs）进行材料预测，可实现准确的失效寿命预测和不确定性估计，提供决策依据。

    Nov, 2023

  • 使用贝叶斯神经网络对反应湍流闭包模型进行先验不确定性量化

    使用贝叶斯神经网络（BNN）对大涡模拟（LES）中的小尺度结构（SFS）进行建模，以捕捉反应流模型中的滤波进度变量标量消失速率的不确定性，并提出了一种将分布之外信息纳入 BNN 的方法。在包含多种火焰条件和燃料的数据集上，我们对该模型进行先验评估，证明了其有效性。

    Feb, 2024

  • 使用贝叶斯神经网络模型对分子性质预测的不确定性量化

    本研究采用贝叶斯神经网络在分子性质预测中量化预测的不确定性，证明不确定性量化的必要性，从而提高分子应用的可靠性。

    Nov, 2018

  • 使用生成并联网络预测核质量

    本文提出并探讨了一种新型的神经网络，将通常的类似于神经元的处理单元替换为允许从输入数据中学习输入乘性耦合的复值积单元，在核物质质量预测中表现优异，提出了一种复杂数字网络的预测不确定性度量方法来识别预期低预测误差的区域。

    May, 2023

  • 使用人工神经网络预测核反应堆核心参数的演变

    利用神经网络技术建立的反应堆设计模型，可根据初始核芯装载模式预测核燃料的使用寿命，从而促进反应堆的经济运行。

    Apr, 2023

  • 利用不确定性指纹进行神经网络的并行自检

    在这篇论文中，我们提出了一种代表神经网络在线故障状态的不确定性指纹方法，同时提出了一种双头神经网络拓扑结构，可以在一次推理过程中产生不确定性指纹和主要预测结果，从而实现高覆盖率的并发自测试神经网络，减少内存开销，降低错误率。

    Jan, 2024

  • 使用深度集成实现简单且可扩展的预测不确定性估计

    本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。

    Dec, 2016

  • 聚类与不确定性分析改进基于机器学习的 SAFARI-1 控制从属组件轴向中子通量剖面预测

    本研究旨在利用机器学习模型准确预测 SAFARI-1 研究反应堆中装配件轴向中子通量分布，通过使用历史周期的测量数据进行训练，同时量化模型预测的近似不确定性，并通过组合监督和无监督机器学习算法改进控制装配件的预测精度和降低预测不确定性。

    Dec, 2023

  • 通过耦合 TgNN 代理模型对多孔介质中的两相流量进行不确定性量化

    本研究介绍了一种新型的基于理论引导神经网络的代理模型，用于解决地下双相流问题中的不确定性量化，旨在提高计算效率，同时保证准确性。该模型不仅依赖标记数据，而且还将科学原理和经验规则作为附加组件纳入丢失函数。实验表明，该模型在地下双相流问题的不确定性量化任务中具有良好的准确性和强大的鲁棒性。

    May, 2022

  • 深度学习中可扩展高效的不确定性估计和降低方法

    部署神经网络在资源受限的安全关键系统中面临不确定性和硬件非理想性所带来的挑战，该研究论文总结了一项 (四年级) 博士论文工作，该工作探索了深度学习中可扩展和高效的方法，包括计算内存 (Computation-in-Memory) 使用新兴的阻性非挥发性存储器来估计和降低不确定性。我们采用问题感知训练算法、新颖的神经网络拓扑结构和硬件协同设计解决方案，包括基于自旋电子器件的基于退化的二值贝叶斯神经网络和变分推理技术。这些创新显著提高了异常数据检测、推理准确性和能量效率，从而增加了神经网络实现的可靠性和鲁棒性。

    Jan, 2024