×
埃托雷·萨埃塔;雷纳托·托格纳奇尼;吉安卢卡·伊卡里诺

自动编码器预测中的不确定性量化：在空气动力学中的应用。 （英语） Zbl 07843847号

J.计算。物理学。 506，文章ID 112951，20 p.（2024）.
摘要：将数据驱动模型与经典方程驱动方法进行比较，以研究其在研究翼型空气动力学时预测关注量及其不确定性的能力。重点是自动编码器以及由体系结构、超参数和训练数据选择（内部或模型形式的不确定性）引起的不确定性的影响。与高斯过程回归方法的比较清楚地说明了自动编码器在提取关于预测置信度的有用信息方面的优势，即使在缺乏基本事实数据的情况下也是如此。还将考虑内部不确定性的模拟与不确定操作条件（外部不确定性）引起的可变性的影响进行了比较，表明了在建立预测置信度时考虑总不确定性的重要性。

MSC公司：

68泰克 人工智能
65立方厘米 概率方法，随机微分方程
62至XX 统计

关键词：

不确定性量化;机器学习;自动编码器;翼型空气动力学

软件：

L-BFGS公司;LBFGS-B型;Hyperopt公司;NeuralUQ公司;L-BFGS-B型
PDF格式BibTeX公司 XML格式引用
\文本{E.Saetta}等人，J.Comput。物理学。506，文章ID 112951，20 p.（2024；Zbl 07843847）
全文： 内政部

参考文献：

[1] Lee，K。；Carlberg，K.T.，使用深度卷积自编码器对非线性流形上动力系统的模型简化，J.Compute。物理。，404，第108973条pp.，2020年·Zbl 1454.65184号
[2] 雅培，I.H.A。；von Doenhoff，A.E.，《机翼剖面理论》，1959年，多佛出版公司。
[3] Pope，S.B.，《湍流》，2000年，剑桥大学出版社·Zbl 0966.76002号
[4] Abdar，M.先生。；Pourpanah，F。；侯赛因，S。；Rezazadegan，D。；刘，L。；加瓦姆扎德，M。；菲古斯，P。；曹，X。；Khosravi，A。；阿查里亚，U.R。；马卡伦科夫，V。；Nahavandi，S.，《深度学习中的不确定性量化综述：技术、应用和挑战》，Inf.Fusion，76243-2972021年
[5] H.M.D.卡比尔。；Khosravi，A。；Hosen，医学硕士。；Nahavandi，S.，《基于神经网络的不确定性量化：方法和应用调查》，IEEE Access，6，36218-362342018
[6] Psaros，A.F。；X孟。；邹，Z。；郭，L。；Karniadakis，G.E.，《科学机器学习中的不确定性量化：方法、度量和比较》，J.Compute。物理。，第477条，第111902页，2023年·Zbl 07652802号
[7] Kingma，D.P。；Welling，M.，《变分自动编码器简介》，Found。趋势马赫数。学习。，12, 4, 307-392, 2019 ·Zbl 1431.68002号
[8] Lakshminarayanan，B。；Pritzel，A。；Blundell，C.，《使用深度集成进行简单且可扩展的预测不确定性估计》（Guyon，I.；Luxburg，U.V.；Bengio，S.；Wallach，H.；Fergus，R.；Vishwanathan，S.，Garnett，R.，《神经信息处理系统进展》，第30卷，2017年，Curran Associates，Inc.）
[9] 黄，G。；李毅。；普莱斯，G。；刘，Z。；霍普克罗夫特，J.E。；温伯格，K.Q.，《快照信号群：训练1，免费获得m》（2017年国际学习代表大会）
[10] 刘，M。；格拉纳，D。；de Figueiredo，L.P.，使用变分自动编码器降低维数的随机反演中的不确定性量化，地球物理学，87，2，M43-M58，2021
[11] Yong，B.X。；Brintrup，A.，具有不确定性量化的贝叶斯自动编码器：走向值得信赖的异常检测，专家系统。申请。，209，第118196条，第2022页
[12] 佩里尼，L。；Vercruyssen，V。；Davis，J.，《量化异常检测器在其示例预测中的置信度》（Hutter，F.；Kersting，K.；Lijffijt，J.；Valera，I.，《数据库中的机器学习和知识发现》，2021年，Springer国际出版：Springer International Publishing Cham），227-243
[13] Pickering，E。；Guth，S。；Karniadakis，G.E。；Sapsis，T.P.，通过神经算子中的主动学习发现和预测极端事件，自然计算。科学。，2, 823-833, 2022
[14] Hansen，L。；Salamon，P.，《神经网络集成》，IEEE Trans。模式分析。机器。智力。，12, 10, 993-1001, 1990
[15] Saetta，E。；托格纳奇尼，R。；Iacarino，G.，AbbottAE:翼型空气动力学自动编码器，（AIAA航空2023论坛。AIAA航空2020论坛，加利福尼亚州圣地亚哥，2023年6月，AIAA），2023-4364
[16] Economon，T.D.（经济博士）。；帕拉西奥斯，F。；科普兰，S.R。；卢卡奇克，T.W。；Alonso，J.J.，Su2:一个用于多物理模拟和设计的开源套件，AIAA J.，54，3，828-8462016
[17] Saetta，E。；托格纳奇尼，R。；Iacarino，G.，《预测气动失速的机器学习》，《国际计算杂志》。流体动力学。，36, 7, 641-654, 2022
[18] Tangsali，K。；克里希纳穆尔西，V.R。；Hasnain，Z.，卷积编解码网络在几何和物理流体变化中的气动流场预测的概化性，J.Mech。设计。，143, 5, 11 2020
[19] 王，Z。；博维克，A。；谢赫，H。；Simoncelli，E.，《图像质量评估：从错误可见性到结构相似性》，IEEE Trans。图像处理。，13, 4, 600-612, 2004
[20] 医学博士麦凯。；贝克曼，R.J。；Conover，W.J.，《计算机代码输出分析中选择输入变量值的三种方法的比较》，《技术计量学》，第21、2、239-245页，1979年·Zbl 0415.62011号
[21] 周，Y.-D。；方，K.-T。；Ning，J.-H.，拟随机点集的混合差异，J.Complex。，29, 3, 283-301, 2013 ·Zbl 1282.65018号
[22] Bergstra，J。；Bardenet，R。；Y.本吉奥。；Kégl，B.，超参数优化算法，（Shawe-Taylor，J.；Zemel，R.；Bartlett，P.；Pereira，F.；Weinberger，K.，《神经信息处理系统进展》，2011年第24卷，Curran Associates，Inc.）
[23] 秋叶，T。；萨诺，S。；Yanase，T。；Ohta，T。；Koyama，M.，Optuna:下一代超参数优化框架（第25届ACM SIGKDD知识发现和数据挖掘国际会议论文集，2019年）
[24] Wahba，G.，观测数据的样条模型，CBMS-NSF应用数学区域会议系列，1990年，工业和应用数学学会·Zbl 0813.62001号
[25] 北斯利瓦斯塔瓦。；辛顿，G。；Krizhevsky，A。；Sutskever，I。；Salakhutdinov，R.，《辍学：防止神经网络过度拟合的简单方法》，J.Mach。学习。1929-1958年第15号决议，2014年·兹比尔1318.68153
[26] Gower，J.C.，《广义procutes分析》，《心理测量学》，40，33-511975年·兹比尔0305.62038
[27] Krzanowski，W.，《多元分析原理：用户视角》，牛津统计科学丛书，2000年，牛津大学出版社·Zbl 0678.62001号
[28] 拉斯穆森，C.E。；Williams，C.K.I.，《机器学习的高斯过程》，2005年，麻省理工学院出版社
[29] Mishra，A.A。；Mukhopadhaya，J。；艾卡里诺，G。；Alonso，J.，Su2湍流模型预测的不确定性估计模块，AIAA J.，57，3，1066-10772019
[30] 朱，C。；伯德·R·H。；卢，P。；Nocedal，J.，算法778:L-bfgs-b：大规模有界约束优化的fortran子程序，ACM Trans。数学。软质。，23, 4, 550-560, 1997 ·Zbl 0912.65057号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。