Core Concepts
本研究では、物理モデルの決定論的および確率的側面の両方を統合した高度な代理モデルを開発し、順方向および逆方向の不確実性伝播を効率的に定量化する。
Abstract
本研究では、条件付き疑似可逆正規化流(PR-NF)モデルを提案し、物理モデルの不確実性伝播を効率的に定量化することを目的としている。
主な内容は以下の通り:
既存の代理モデルアプローチは決定論的モデル成分の近似に焦点を当てているが、ノイズの分布が未知の場合、逆方向の不確実性伝播の定量化が困難となる。
PR-NF モデルは、入力-出力ペアのデータセットから条件付き確率密度関数を直接学習し、効率的に生成することができる。これにより、順方向および逆方向の不確実性伝播を統一的に定量化できる。
PR-NF モデルの収束性を理論的に解析し、Kullback-Leibler 発散を用いて目標条件付き確率密度関数への収束を示した。
数値実験では、ベンチマークテストおよび地質炭素貯留問題への適用を通して、PR-NF モデルの有効性を実証した。特に、異なる種類のノイズに対して頑健であり、高次元の不確実性問題にも適用可能であることを示した。
Stats
物理モデルの決定論的関数f(x)は、sin(2πx)または4(x-0.5)2の形をとる。
加法性ノイズε(x)は、ガウス分布またはラプラス分布に従う。ホモスケダスティックおよびヘテロスケダスティックの両方のケースを考慮した。
訓練データセットは20,000個のサンプル{x(i), y(i)}から構成される。