通过锚定集成赋能贝叶斯神经网络的功能先验，应用于力学代理建模
内容提要
本文提出了一种贝叶斯物理知识推断神经网络（B-PINN）框架，结合贝叶斯神经网络与偏微分方程，旨在解决非线性问题并进行不确定性量化。研究表明，该方法在流体动力学、材料预测和应力建模等领域具有优越表现，能够提升预测性能和稳健性，优化材料参数，有效应对复杂工程问题。
延伸解读
物理信息与贝叶斯融合的价值
B-PINN框架将偏微分方程描述的物理规律与贝叶斯神经网络结合，不仅处理前向和反向非线性问题，还能量化不确定性并估计后验分布。这种融合在数据缺失、边界条件不明确等复杂工程场景中展现出优势，为力学代理建模提供了更稳健的解决方案。
代理模型可信度评估框架
OPAL-surrogate通过层次贝叶斯推理和模型验证测试，系统评估深度神经网络代理模型在不确定性下的可信度与预测可靠性。该方法在模型复杂性、准确性和预测不确定性之间取得平衡，并在多孔材料变形和混合火箭马达固体燃料剥蚀等建模问题中得到验证。
变分贝叶斯DeepONet的先验改进
针对变分贝叶斯DeepONets中先验设定不当的问题，新框架引入R'ényi的α-散度进行广义变分推断，提高了灵活性和稳健性。关键发现是，该方法在各类机械系统中表现优于传统的KLD变分推断技术，显著提升了预测准确性和不确定性量化能力。
Q&A
贝叶斯物理知识推断神经网络（B-PINN）是什么？
B-PINN是一种结合贝叶斯神经网络与偏微分方程的框架，用于解决非线性问题和进行不确定性量化。
B-PINN在流体动力学中的应用效果如何？
B-PINN在流体动力学中表现优越，能够处理数据缺失和复杂工程系统的逆向问题，提高预测性能和稳健性。
如何使用贝叶斯神经网络进行材料预测？
通过贝叶斯神经网络进行材料预测，可以实现准确的失效寿命预测和不确定性估计，为决策提供依据。
OPAL-surrogate模型的主要功能是什么？
OPAL-surrogate模型通过层次贝叶斯推理评估代理模型的可信度，实现模型复杂性、准确性和预测不确定性之间的平衡。
新DeepONet框架解决了什么问题？
新DeepONet框架通过引入R'ényi的α-散度，解决了变分贝叶斯DeepONets中的先验设定问题，提高了预测准确性和不确定性量化能力。
B-PINN如何提高模型对数据噪声的鲁棒性？
B-PINN通过引入物理知识，提高了模型对数据噪声的鲁棒性，并减少了优化收敛所需的时间。
