PulseAugur
中
实时 09:13:23
English(EN) Two-Step MV-DeepONet: Probabilistic Operator Learning for Uncertainty Propagation Driven by Random Input Fields

新的MV-DeepONet方法增强了物理系统中的不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为两步MV-DeepONet的新方法，以改进复杂物理系统中的不确定性量化。该方法通过准确表示场值输出中的交叉位置条件依赖性来增强概率代理模型，这是先前概率DeepONet模型的局限性。该方法涉及一个两步训练过程，并将高斯概率建模转移到较低维度的系数空间，从而在数值实验中实现更结构化的不确定性带和准确的非对角线相关性模式恢复。 AI

影响 增强了由AI建模的复杂物理系统中不确定性量化的准确性和结构。

排序理由 详细介绍算子学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MV-DeepONet方法增强了物理系统中的不确定性量化

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yupei Nie, Lei Wang, Jiasen Liu ·

    两步MV-DeepONet：由随机输入场驱动的不确定性传播的概率算子学习

    arXiv:2608.09071v1 Announce Type: cross Abstract: Forward uncertainty propagation in complex physical systems can induce structured covariance across field-valued outputs. For a probabilistic surrogate, the total predictive covariance comprises the covariance of conditional means…

相关实体

相关话题