利用可微编程的不确定性量化进行联合参数和参数化推断
原文中文,约700字,阅读约需2分钟。发表于: 。本研究介绍一种新的框架,通过可微编程实现联合估计和不确定性量化,用于同时估计物理参数和机器学习参数化,以增强混合物理 - 机器学习建模的能力。
混合神经可微模型(Hybrid Neural Differentiable Models)结合了物理学的数值表示和深度神经网络,提供了强大的预测能力,并在数据驱动的复杂物理系统建模方面显示出巨大潜力。DiffHybrid-UQ是一种新的方法,用于有效和高效地传播和估计混合神经可微模型中的不确定性。该方法能够识别和量化来自数据噪声和模型形式偏差以及数据稀疏性引起的认知不确定性。通过混合神经模型建模随机噪声,并使用无损变换传播不确定性。同时,使用随机梯度下降轨迹估计认知不确定性。该方法简单易实施且可扩展,适用于并行计算环境。通过一些受微分方程影响的问题,展示了该方法的优势。