Core Concepts
DeepONetsにおける効率的な学習と不確実性の重要性を強調する。
Abstract
近年、オペレーター学習、特にDeepONetは、入力と出力関数間の複雑なマッピングを効率的に学習するために注目されています。しかし、限られたノイズの多いデータがある実践的なシナリオでは、DeepONet予測の不確実性へのアクセスが重要です。既存の方法は計算コストが高いか、不十分な不確実性定量化をもたらすことから、DeepONet向けに適した効率的で情報豊富な不確実性定量化(UQ)手法を開発する余地があります。本研究では、Ensemble Kalman Inversion(EKI)アプローチの力を借りてオペレーター学習用の効率的なUQ推論手法を提案しました。EKIは導関数フリーでノイズに強く並列処理可能であり、高次元パラメータ推論に適しています。我々はEKIを利用してDeepONetの不確実性を効果的に訓練しました。さらに、人工ダイナミクス共分散行列を推定するヒューリスティック手法を導入しました。この手法はアンサンブル崩壊を防ぎつつモデルトレーニング中の過剰パラメータ摂動を最小限に抑えることを目指しています。
Stats
EKIは高次元UQで有効。
EKIは導関数フリーでノイズロバスト。
EKIは物理情報ニューラルネットワークで成功。
ディープラーニング用EKI-Bayesian DeepOnet提案。
Quotes
"Existing methods, either computationally intensive or yielding unsatisfactory uncertainty quantification, leave room for developing efficient and informative uncertainty quantification (UQ) techniques tailored for DeepONets."
"Our innovative application of EKI enables us to efficiently train ensembles of DeepONets while obtaining informative uncertainty estimates for the output of interest."