核心概念
Dieser Beitrag stellt den Occam Plausibility Algorithm for Surrogate models (OPAL-surrogate) vor, einen systematischen Rahmen zur Entdeckung vorhersagekräftiger neuronaler Netzwerk-Ersatzmodelle für hochauflösende physikalische Simulationen. OPAL-surrogate basiert auf hierarchischer Bayesscher Inferenz und verwendet Modellvalidierungstests, um die Glaubwürdigkeit und Vorhersagezuverlässigkeit der Ersatzmodelle unter Unsicherheit zu bewerten.
要約
Der Beitrag präsentiert einen systematischen Rahmen zur Entdeckung von neuronalen Netzwerk-Ersatzmodellen für hochauflösende physikalische Simulationen. Kernpunkte sind:
-
Hierarchische Bayessche Inferenz zur Bestimmung der Wahrscheinlichkeitsverteilungen der Netzwerkparameter und Hyperparameter sowie Maße zum Vergleich verschiedener neuronaler Netzwerkmodelle.
-
Prinzipien der Bayesschen Modellvalidierung zur Bewertung der Glaubwürdigkeit und Vorhersagezuverlässigkeit der Ersatzmodelle.
-
Eine Strategie zur adaptiven Anpassung der Modellkomplexität, die einen Ausgleich zwischen Modellkomplexität, Genauigkeit und Vorhersageunsicherheit ermöglicht.
-
Zwei Anwendungsbeispiele zur Demonstration der Effektivität des OPAL-surrogate-Rahmens: Verformung poröser Materialien für Gebäudedämmung und turbulente Verbrennungsströmung für die Ablation fester Treibstoffe in Hybridraketentriebwerken.
統計
Die Verformung poröser Materialien für Gebäudedämmung ist ein komplexes physikalisches System mit inhärenter Multiskalenstruktur.
Die direkte numerische Simulation der turbulenten Verbrennungsströmung für die Ablation fester Treibstoffe in Hybridraketentriebwerken ist rechenintensiv.
引用
"Der weitverbreitete Einsatz tiefer neuronaler Netze bei der Entwicklung datengesteuerter Ersatzmodelle für hochauflösende Simulationen komplexer physikalischer Systeme unterstreicht die kritische Notwendigkeit robuster Methoden zur Quantifizierung von Unsicherheiten und Bewertung der Glaubwürdigkeit, um den zuverlässigen Einsatz von Ersatzmodellen in folgenschweren Entscheidungsprozessen zu gewährleisten."
"Trotz beachtlicher Fortschritte stellen die direkte Übernahme von Maschinenlernmethoden - ursprünglich für große Datensätze in Bereichen wie Bildverarbeitung, Computervision und Verarbeitung natürlicher Sprache entwickelt - erhebliche Herausforderungen dar, wenn es darum geht, Ersatzmodelle aufzubauen und das Vertrauen in diese zu etablieren."