Haoyang Zheng

新的贝叶斯MF-LNO增强了复杂PDE的主动学习

研究人员开发了一种贝叶斯多保真度拉普拉斯神经网络算子（MF-LNO），用于振荡参数化偏微分方程（PDE）的主动学习。该方法利用副本交换随机梯度Langevin动力学（reSGLD）量化的预测不确定性来指导高保真度训练数据的获取。在Lorenz系统和Duffing振子等系统上的实验表明，这种不确定性指导的方法比随机采样更具数据效率和准确性，并且在预测不确定性量化方面优于MF-DeepONet。