本研究では、パラメータ-観測量マップとその微分情報を正確に近似するニューラルオペレーターを活用し、大規模な偏微分方程式拘束下の高次元パラメータ推定問題に対して、高精度、スケーラブル、効率的なベイズ最適実験設計手法を提案する。
非線形観測モデルと非線形予測モデルを持つ問題に対して、予測量の不確実性を最小化する目的指向型ベイズ最適実験設計手法を提案する。マルコフ連鎖モンテカルロと核密度推定を組み合わせた nested Monte Carlo推定量を用いて、予測量の期待情報利得を効率的に計算し、ベイズ最適化により最適な実験設計を見つける。