从大规模数值模拟深度神经网络代理模型中获取有意义的不确定性
机器学习
2020-10-27 v1 机器学习
等离子体物理
摘要
大规模数值模拟被广泛应用于许多科学学科，以促进实验发展并洞察 underlying 物理过程，但其计算成本显著。深度神经网络（DNNs）可作为高精度的代理模型，能够处理多样的数据类型，为预测及许多其他下游任务提供极大的加速。这些代理模型的一个重要用例是模拟与实验之间的比较；预测不确定性估计对于使此类比较具有意义至关重要，而标准 DNNs 并不提供此类估计。在本工作中，我们定义了 DNN 对科学应用有用性的基本要求，并展示了一种通用的变分推断方法，为在惯性约束聚变模拟上训练得到的 DNN 代理模型的标量和图像数据预测赋予经校准的贝叶斯不确定性。关键在于，这些不确定性是可解释的、有意义的，并在预测量中保持了物理相关性。
引用
@article{arxiv.2010.13749,
title = {Meaningful uncertainties from deep neural network surrogates of large-scale numerical simulations},
author = {Gemma J. Anderson and Jim A. Gaffney and Brian K. Spears and Peer-Timo Bremer and Rushil Anirudh and Jayaraman J. Thiagarajan},
journal= {arXiv preprint arXiv:2010.13749},
year = {2020}
}