面向云微物理的降序模型不确定性量化
机器学习
2025-11-18 v2 大气与海洋物理
计算物理
摘要
降序模型（ROMs）可以高效地模拟高维物理系统，但缺乏稳健的不确定性量化方法。现有方法常针对特定架构或训练方式，限制了其灵活性和泛化能力。我们引入一种后置的、模型无关的框架，用于对潜在空间ROMs进行预测不确定性量化，无需修改底层架构或训练程序。通过保守预测，本方法估计多个ROM管道组件（潜在动力学、重构和端到端预测）的统计预测区间。我们在用于云微物理的潜在空间动力学模型上演示了该方法，其中准确预测了滴液大小分布的演化，并在ROM管道中量化了不确定性。
引用
@article{arxiv.2511.04534,
title = {Uncertainty Quantification for Reduced-Order Surrogate Models Applied to Cloud Microphysics},
author = {Jonas E. Katona and Emily K. de Jong and Nipun Gunawardena},
journal= {arXiv preprint arXiv:2511.04534},
year = {2025}
}
备注
Accepted at the NeurIPS 2025 Workshop on Machine Learning and the Physical Sciences (ML4PS). 12 pages, 3 figures, 2 tables. LLNL-CONF-2010541