嵌段共聚物自组装的贝叶斯模型校准：基于测度传输的无似然推断与期望信息增益计算
计算物理
2022-06-24 v1 材料科学
应用统计
统计计算
机器学习
摘要
我们考虑利用显微镜或X射线散射技术产生的图像数据，对描述嵌段共聚物（BCP）自组装现象的模型进行贝叶斯校准。为考虑BCP平衡结构中随机的长程无序性，我们引入辅助变量来表示这种偶然不确定性。然而，这些变量导致高维图像数据的积分似然通常难以计算。我们采用基于测度传输的无似然方法，并结合图像数据摘要统计量的构造，来解决这一具有挑战性的贝叶斯推断问题。我们还表明，观测数据关于模型参数的期望信息增益（EIG）可以在无显著额外成本的情况下计算。最后，我们基于二嵌段共聚物薄膜自组装和自上而下显微镜表征的Ohta--Kawasaki模型给出了一个数值案例研究。对于校准，我们引入了若干基于能量和傅里叶的域特定摘要统计量，并利用EIG量化其信息量。我们展示了所提方法研究数据损坏和实验设计对校准结果影响的能力。
引用
@article{arxiv.2206.11343,
title = {Bayesian model calibration for block copolymer self-assembly: Likelihood-free inference and expected information gain computation via measure transport},
author = {Ricardo Baptista and Lianghao Cao and Joshua Chen and Omar Ghattas and Fengyi Li and Youssef M. Marzouk and J. Tinsley Oden},
journal= {arXiv preprint arXiv:2206.11343},
year = {2022}
}