姜新超;王欣;文子明;王,胡 物理约束贝叶斯反问题的基于算子学习的分辨率无关生成模型。 (英语) Zbl 07820236号 计算。方法应用。机械。工程师。 420,文章ID 116690,26 p.(2024). 摘要:贝叶斯推理方法因其处理不适定问题的通用性和自然能力而被广泛用于求解逆问题。然而,在处理涉及连续字段或具有大分辨率离散表示的参数的情况时,往往会遇到挑战。此外,未知参数的先验分布通常也很难确定。因此,本研究提出了一种基于操作员学习的生成性对抗网络(OL-GAN),并将其集成到贝叶斯推理框架中以解决这些问题。与经典贝叶斯方法相比,该方法的显著特点是能够学习参数和响应的联合分布。通过使用经过训练的生成模型处理贝叶斯规则中的先验信息,在该框架下,未知参数的后验信息理论上可以由任何采样算法(如马尔可夫链蒙特卡罗,MCMC)近似,有效的采样可以在联合分布的各分量共享的低维潜在空间中实现。潜在空间通常是一种简单且易于抽样的分布(例如,高斯分布、均匀分布),这大大降低了与贝叶斯推断相关的计算成本,同时避免了先验选择。此外,由于加入了操作员学习,生成器与分辨率无关。因此,可以在所需坐标下获得预测,即使观测数据与训练数据不一致,也可以进行反演。最后,通过数值实验验证了该方法的有效性。 MSC公司: 62至XX 统计 68年XX月 计算机科学 关键词:操作员学习;生成性对抗网络;与分辨率无关;贝叶斯主义者;反问题 软件:Wasserstein GAN公司;PyMC公司;亚当;PyTorch公司;DeepONet(深度网络);贝叶斯DA PDF格式BibTeX公司 XML格式引用 \textit{X.Jiang}等人,计算。方法应用。机械。Eng.420,文章ID 116690,26 p.(2024;Zbl 07820236) 全文: 内政部 arXiv公司 参考文献: [1] R.C.阿斯特。;Borchers,B。;Thurber,C.H.,参数估计和反问题(2018),Elsevier [2] Calvetti,D。;Somersalo,E.,《反问题:从正则化到贝叶斯推理》。威利公司(Wiley Interdiscip)。修订版,e1427(2018) [3] Vogel,C.R.,《反问题的计算方法》(2002),SIAM·Zbl 1008.65103号 [4] 埃文斯,S.N。;Stark,P.B.,《作为统计的反问题》。反向概率。,R55(2002)·Zbl 1039.62007号 [5] Gelman,A。;卡林,J.B。;斯特恩,H.S。;邓森,D.B。;Vehtari,A。;Rubin,D.B.,《贝叶斯数据分析》(2013),CRC出版社 [6] 王,L。 [7] Marzouk,Y.M。;Najm,H.N。;Rahn,L.A.,反问题有效贝叶斯解的随机谱方法。J.计算。物理。,560-586(2007年)·Zbl 1120.65306号 [8] Marzouk,Y.M。;Najm,H.N.,反问题中贝叶斯推理的降维和多项式混沌加速。J.计算。物理。,1862-1902年(2009年)·Zbl 1161.65308号 [9] Wang,J。;Zabaras,N.,逆向热传导问题的贝叶斯推理方法。国际热质传递杂志。,3927-3941 (2004) ·1070.80002赞比亚比索 [10] 卢,L。;佩斯托里,R。;约翰逊,S.G。;Romano,G.,高效学习偏微分方程的多保真深度神经运算符,应用于纳米级热传输的快速逆向设计。物理学。修订版(2022) [11] 王,X。;曾勇。;Wang,H。;蔡,Y。;李,E。;Li,G.,变刚度复合材料层合板路径参数的不确定性数据驱动反演方法。结构。多磁盘。最佳。,91 (2022) [12] 曾勇。;Wang,H。;张,S。;蔡,Y。;Li,E.,热传导逆问题的一种新的自适应近似贝叶斯计算方法。国际热质传递杂志。,185-197 (2019) [13] 曾勇。;Yu,X。;Wang,H.,一种新的基于POD的近似贝叶斯计算方法,用于识别已形成AHSS的参数。国际固体结构杂志。,120-133 (2019) [14] Yang,L。;X孟。;Karniadakis,G.E.,B-PINNs:带噪声数据的正向和反向PDE问题的贝叶斯物理信息神经网络。J.计算。物理学。(2021) ·Zbl 07508507号 [15] 李毅。;Wang,Y。;Yan,L.,基于物理信息神经网络的贝叶斯反问题代理建模。J.计算。物理学。(2023) ·Zbl 07649264号 [16] 蒋,X。;王,X。;温,Z。;李,E。;Wang,H.,通过集成物理信息神经网络对空间相关逆热传导问题进行实际不确定性量化。国际通用。热质传递。(2023) [17] X孟。;Babaee,H。;Karniadakis,G.E.,《多精度贝叶斯神经网络:算法和应用》。J.计算。物理学。(2021) ·Zbl 07505956号 [18] J.E.Warner、J.Cuevas、G.F.Bomarito、P.E.Leser、W.P.Leser,使用物理信息生成对抗网络对弹性模量进行反向估计,arXiv预印本arXiv:2006.05791 [19] Yang,L。;张,D。;Karniadakis,G.E.,《随机微分方程的物理信息生成对抗网络》。SIAM J.科学。计算。,A292-A317(2020)·Zbl 1440.60065号 [20] Xu,K。;Darve,E.,使用深度神经网络和对抗训练解决随机模型中的逆问题。计算。方法应用。机械。工程(2021)·Zbl 1506.65017号 [21] J.Parikh,J.Kozloski,V.Gurev,随机反问题生成性对抗网络中人工智能和机械建模的集成,arXiv预印本arXiv:2009.08267 [22] 温,Z。;李毅。;Wang,H.,基于随机依赖神经估计的不规则区域结构动力学数据驱动时空建模[J]。计算。方法应用。机械。工程,115831(2023)·兹比尔07644876 [23] 克雷斯韦尔,A。;怀特,T。;杜穆林,V。;Arulkumaran,K。;Sengupta,B。;Bharath,A.A.,《生成性对抗网络:概述》。IEEE信号处理。Mag.,53-65(2018) [24] 帕特尔·D·V。;雷·D。;Oberai,A.A.,基于物理的贝叶斯反问题的深生成先验解。计算。方法应用。机械。工程(2022)·Zbl 1507.62235号 [25] 帕特尔·D·V。;Oberai,A.A.,基于GAN的监督学习不确定性量化先验知识。SIAM/ASA J.不确定性。数量。,1314-1343 (2021) ·Zbl 1473.62092号 [26] 贝尔曼,J。;Grathwohl,W。;Chen,R.T.Q。;Duvenaud,D。;Jacobsen,J.-H.,可逆剩余网络,573-582 [27] A.A.Alemi,I.Fischer,J.V.Dillon,《变化信息瓶颈中的不确定性》,arXiv预印本arXiv:1807.00906 [28] Chib,S.,马尔可夫链蒙特卡罗方法:计算和推断。把手b。经济。,3569-3649 (2001) [29] Neal,R.M.,MCMC使用哈密顿动力学。把手b。马尔可夫链蒙特卡罗,2(2011) [30] 卢,L。;Jin,P。;庞,G。;张,Z。;Karniadakis,G.E.,基于算子的普遍逼近定理,通过DeepONet学习非线性算子。自然马赫数。智力。,218-229 (2021) [31] 古拉贾尼,I。;艾哈迈德·F。;Arjovsky,M。;杜穆林,V。;Courville,A.,Wasserstein GANs的改进训练。高级神经信息处理。系统。(2017) [32] 文丘里,S。;Casey,T.,SVD关于增强DeepONet灵活性和可解释性的观点。计算。方法应用。机械。工程(2023)·Zbl 07644181号 [33] A.拉姆达斯。;北卡罗来纳州特里洛斯。;Cuturi,M.,《关于Wasserstein双样本检验和相关非参数检验家族》。熵,47(2017) [34] 卢,L。;X孟。;蔡,S。;毛,Z。;Goswami,S。;张,Z。;Karniadakis,G.E.,基于公平数据对两个神经运算符(具有实际扩展)进行全面而公平的比较。计算。方法应用。机械。工程(2022)·兹比尔1507.65050 [35] Maćkiewicz,A。;Ratajczak,W.,主成分分析(PCA)。计算。地质科学。,303-342 (1993) [36] X孟。;Yang,L。;毛,Z。;deláguila Ferrandis,J。;Karniadakis,G.E.,从数据和物理中学习函数的先验和后验。J.计算。物理学。(2022) ·Zbl 1515.62046号 [37] Salvatier,J。;Wiecki,T.V。;Fonnesbeck,C.,使用PyMC3的Python概率编程。同行J计算。科学。,e55(2016) [38] D.P.Kingma,J.Ba,Adam:一种随机优化方法,arXiv预印本arXiv:1412.6980 [39] 帕斯克,A。;毛重,S。;钦塔拉,S。;Chanan,G。;杨,E。;德维托,Z。;林,Z。;Desmaison,A。;安提瓜,L。;Lerer,A.,《PyTorch中的自动区分》 [40] Reddy,J.N.,《连续介质力学导论》(1982),学术出版社 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。