基于不确定性量化的高保真物理系统仿真的概率超分辨率
机器学习
2025-02-17 v1 机器学习
摘要
超分辨率 (SR) 是一种有前景的工具，可用于从低分辨率数据生成物理系统的高保真仿真，使工程应用能够实现快速而准确的预测。然而，现有的基于深度学习的 SR 方法需要大量标记数据集且缺乏可靠的不确定性量化 (UQ)，限制了其在现实场景中的适用性。为克服这些挑战，我们提出了一种概率 SR 框架，利用统计有限元方法和能量基生成模型。该方法实现了高效的高分辨率预测，同时内置 UQ，无需大量标记数据集。该方法在 2D Poisson 示例上进行了验证，并与双立方插值升频进行了比较。结果表明，该方法相对于高分辨率数值求解器实现了计算加速，同时提供了可靠的不确定性估计。
引用
@article{arxiv.2502.10280,
title = {Probabilistic Super-Resolution for High-Fidelity Physical System Simulations with Uncertainty Quantification},
author = {Pengyu Zhang and Connor Duffin and Alex Glyn-Davies and Arnaud Vadeboncoeur and Mark Girolami},
journal= {arXiv preprint arXiv:2502.10280},
year = {2025}
}