通过潜在全局演化对 PDE 的正向和反向问题进行不确定性量化
原文中文，约700字，阅读约需2分钟。发表于：。提出了一种将高效精确的不确定性量化整合到基于深度学习的代理模型中的方法，称为 LE-PDE-UQ，其具备了前向和反向问题中的鲁棒高效的不确定性量化能力。
混合神经可微模型结合了物理学数值表示和深度神经网络，具有强大的预测能力。DiffHybrid-UQ是一种用于传播和估计混合神经可微模型中不确定性的新方法。该方法能够识别和量化认知不确定性，包括数据噪声、模型形式偏差和数据稀疏性引起的不确定性。该方法在贝叶斯模型平均框架下实现，并使用无损变换传播不确定性。通过一些受常微分方程和偏微分方程影响的问题，展示了该方法的优势。
