CVSim-6 生理学物理信息重建中总不确定性的量化
机器学习
2024-08-15 v1 定量方法
摘要
在通过仿真预测物理现象时，对多种来源的总不确定性进行量化与确保底层数值模型的准确性同等重要。可能的来源包括数据中噪声导致的不可约偶然不确定性、数据不足或参数化不充分引起的认知不确定性，以及与使用错误指定模型方程相关的模型形式不确定性。物理正则化与偶然不确定性、认知不确定性和模型形式不确定性及其组合以非平凡的方式相互作用，更好地理解这种相互作用对于改进在真实条件下运行的物理信息驱动数字孪生的预测性能至关重要。该研究以生物和生理模型为特定焦点，调查了在使用 MC X-TFC——一种基于随机投影和蒙特卡洛采样的物理信息驱动不确定性量化新方法——模拟的微分系统状态和参数估计中的总不确定性分解。MC X-TFC 被应用于一个六组分刚性常微分方程系统，即在人类生理学背景下开发的 CVSim-6 模型。该系统通过逐步移除数据同时估计递增数量的参数，以及通过调查肺组分中非线性电阻的模型形式错误指定下的总不确定性来进行分析。特别地，我们关注差异项的表述与模型形式不确定性量化之间的交互，并展示了额外的物理信息如何有助于估计过程。该方法在估计未知状态和参数方面表现出鲁棒性和效率，即使数据有限、稀疏且含噪声。它还提供了将数据与物理信息集成以改进估计的极大灵活性，即使在模型错误指定的情况下也是如此。
引用
@article{arxiv.2408.07201,
title = {Quantification of total uncertainty in the physics-informed reconstruction of CVSim-6 physiology},
author = {Mario De Florio and Zongren Zou and Daniele E. Schiavazzi and George Em Karniadakis},
journal= {arXiv preprint arXiv:2408.07201},
year = {2024}
}