集成模型在高超声速流算子学习中优于单模型的不确定性与预测
流体动力学
2023-11-06 v2 机器学习
摘要
高超声速流的高保真计算模拟与物理实验耗费大量资源。在有限的高保真数据上训练科学机器学习（SciML）模型，提供了一种快速预测未见工况下行为的途径。然而，高保真数据本身数量有限，无法在未知输入空间中验证 SciML 模型的所有输出。因此，需要具有不确定性感知的 SciML 模型。该模型的输出不确定性可用于评估预测结果的可靠性与置信度。在本研究中，我们通过三种不同的不确定性量化机制扩展 DeepONet：均值-方差估计、证据不确定性与集成。这些不确定性感知的 DeepONet 模型在钝锥体周围的高超声速流上进行了训练与评估，数据由计算流体力学在宽范围马赫数与高度下生成。我们发现，在插值与外推两种情形下，集成在最小化误差与校准不确定性方面均优于另外两种不确定性模型。
引用
@article{arxiv.2311.00060,
title = {Ensemble models outperform single model uncertainties and predictions for operator-learning of hypersonic flows},
author = {Victor J. Leon and Noah Ford and Honest Mrema and Jeffrey Gilbert and Alexander New},
journal= {arXiv preprint arXiv:2311.00060},
year = {2023}
}
备注
This work was accepted after peer-review and presented at the 2023 NeurIPS Machine Learning and the Physical Sciences workshop. https://ml4physicalsciences.github.io/2023/