PulseAugur
中
实时 10:52:40
English(EN) Structure-preserving uncertainty quantification for GENERIC dynamics

新的S-PENNs框架增强了科学机器学习中的不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了结构保持认知神经网络（S-PENNs），这是一个用于具有架构约束的科学机器学习模型中不确定性量化的新框架。该方法通过将轻量级认知网络附加到受约束的组件上，保持热力学一致性，确保采样实现符合物理定律。S-PENNs已在包括GENERIC动力学在内的各种数值示例中得到验证，与深度集成相比，在产生良好校准的预测区间的同时，显著降低了计算成本。 AI

影响 这项研究通过改进AI模型处理物理系统不确定性的方式，有望实现更可靠、计算效率更高的科学模拟。

排序理由 这是一篇详细介绍科学机器学习中不确定性量化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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S-PENNs框架增强了科学机器学习中的不确定性量化

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zequn He, Celia Reina ·

    面向GENERIC动力学的保持结构的量化不确定性

    arXiv:2608.12624v1 Announce Type: new Abstract: Structure-preserving machine learning embeds physical structure directly into model architectures, yet uncertainty quantification (UQ) for such hard-constrained models remains limited because standard UQ methods may violate the enco…

相关实体

相关话题