Feb, 2024

EuroPED-NN：不确定性感知的代理模型

PDF
TL;DR通过使用 Bayesian 神经网络与噪声对比优先（BNN-NCP）技术，利用 JET-ILW 基座数据库和后续模型评估的数据成功生成了对 EuroPED 等离子体基座模型的不确定性感知代理模型。EuroPED-NN 通过提供模型的不确定性作为预测的置信度，以及利用代理模型的不确定性突出显示分布外区域，为模型的稳健性和可靠性提供关键见解。代理模型所学习到的基本物理性质的稳健性得到验证。
发现论文，激发创造
  • 利用神经网络快速量化已使用核燃料的不确定性

    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。

    Aug, 2023

  • 贝叶斯神经网络的模型架构调整

    本文提出一种新颖的网络架构搜索 (NAS) 方法，用于优化 Bayesian 神经网络（BNN）的精度和不确定性，同时减少推理延迟。与传统的 NAS 不同，该方法使用来自内部和外部分布的数据搜索模型的不确定性性能，从而可以在网络中搜索贝叶斯层的正确位置，并且相对于流行的 BNN 基线，使用的运行时仅为其一小部分，将推理运行时成本分别与 MCDropout 和 deep ensemble 相比在 CIFAR10 数据集上分别降低了 2.98 倍和 2.92 倍。

    Feb, 2022

  • 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

  • 神经网络支持下的模型预测控制实现无法匹配的不确定性缓解

    本文介绍了一种基于深度学习的模型预测控制算法，利用深度神经网络作为学习基础的预测控制中的甲骨文，通过一个双时间尺度适应机制来估计不匹配的不确定性并且得到了压缩系统的数值试验验证。

    Apr, 2023

  • 分子不确定性估计：要求和方法

    本研究使用以图神经网络为代表的机器学习技术对分子动力学进行高效计算，提出了一种新的基于高斯过程扩展的局部神经核，开创了分子力场不确定性估计的先河，实验结果表明该方法性能明显优于现有技术。

    Jun, 2023

  • 考虑不确定性的代理模型用于具有去噪扩散概率模型的翼型流动模拟

    利用去噪扩散概率模型 (DDPMs) 训练一种具有不确定性意识的代理模型用于湍流仿真，结果表明 DDPMs 能够成功捕捉解的完整分布并准确估计仿真的不确定性。与贝叶斯神经网络和异方差模型相比，DDPMs 在各种准确性指标上表现更好，并提供完整的不确定性分布，从而能够生成真实和详细的解分布样本。

    Dec, 2023

  • 功能不确定性的噪声对比先验

    提出噪声对比先验 (NCPs) 方法，用于输出各数据点之高可信度，防止模型在训练分布以外的输入上过度拟合，并且通过主动学习产生可靠的不确定度估计。

    Jul, 2018

  • 适应性学习的快速神经网络集成的认识建模不确定性

    在航空航天工程系统的高效设计探索中，使用嵌入仿真器的神经网络，并充分利用多样化数据源对多个模型实现进行训练，以评估由于训练样本不足而引起的认知建模不确定性，并在目标导向的自适应学习中提供关键信息。然而，由于集成模型的训练成本往往变得禁止并带来计算上的挑战，所以本研究提出使用快速神经网络范例的新型嵌入仿真器的神经网络，通过应用线性回归技术仅调整最后一层的连接权重，以在几乎即时训练的情况下保持预测准确性。该方法在多个分析实例和通用高超声速飞行器的航空参数研究中得到了验证。

    Sep, 2023

  • 贝叶斯物理推理神经网络用于受污染含水层中工程纳米颗粒迁移的正向和反向模拟

    通过使用 Bayesian Physics-Informed Neural Network（B-PINN）框架，该研究演示了该工具提供的预测性洞见，以开发高效的地下水修复策略。

    Aug, 2023

  • 面对不确定性的可信神经网络代理模型战略发现框架

    本研究介绍了基于 Occam Plausibility Algorithm 的代理模型 (OPAL-surrogate)，提供了一个系统的框架来揭示大量潜在模型中基于深度神经网络的代理模型，包括不同的神经网络类和架构选择，并利用层次贝叶斯推理和模型验证测试来评估代理模型在不确定性下的可信度和预测可靠性，实现了模型复杂性、准确性和预测不确定性之间的平衡。通过两个建模问题，包括多孔材料变形用于建筑隔热和混合火箭马达中固体燃料剥蚀的湍流燃烧流，验证了 OPAL-surrogate 的有效性。

    Mar, 2024