概率性地对学习的模拟器进行修正
机器学习
2026-03-03 v1 人工智能
计算工程、金融与科学
摘要
建模偏微分方程（PDE）的主流方法依赖于确定性预测，而许多感兴趣的物理系统本质上是混沌且具有不确定性的。虽然可以从头开始训练概率模型，但计算成本高昂，且未能利用已投入大量资源构建的高性能确定性主干网络。本文采用一种训练效率高的策略，通过对预训练的确定性模型进行CRPS（连续格�姆-普拉斯得分）修正，使其转化为概率模型。关键在于，这种方法是无架构依赖的：它针对不同模型主干采用相同的适应机制，仅需最小的代码修改。该方法在不同规模的预训练模型上效果显著：对于在单个动力系统上训练的模型，滚动CRPS降低20-54%，方差归一化RMSE（VRMSE）提升最高可达30%。我们进一步在PDE基础模型上进行验证，该模型在多个系统上进行训练，并在感兴趣的数据集上进行修正，结果表明我们的概率化方法相对于确定性微调，CRPS提升最高可达40%，VRMSE提升最高可达15%。在多种架构和动力学环境下验证的结果表明，概率化PDE建模无需从头重新训练，而是可以通过对现有确定性主干进行适度的额外训练来实现。
关键词
引用
@article{arxiv.2603.01949,
title = {Probabilistic Retrofitting of Learned Simulators},
author = {Cristiana Diaconu and Miles Cranmer and Richard E. Turner and Tanya Marwah and Payel Mukhopadhyay},
journal= {arXiv preprint arXiv:2603.01949},
year = {2026}
}
备注
Code provided at https://github.com/cddcam/lola_crps