混合神经可微模型（Hybrid Neural Differentiable Models）结合了物理学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。通过混合神经模型和无损变换，实现了这些不确定性的传播。同时，使用随机梯度下降轨迹估计认知不确定性。该方法适用于并行计算环境，并在常微分方程和偏微分方程问题中展示了优势。

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。

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。