粒子轨迹的不确定性管道可视化

使用神经网络预测粒子轨迹在科学和工程领域取得了显著性进展。然而，有效地量化和可视化预测中固有的不确定性仍然具有挑战性。在不了解不确定性的情况下，信任度至关重要的应用领域中，神经网络模型的可靠性将显著受到影响。本文引入了不确定性管道，这是一种新颖且计算效率高的可视化方法，旨在表示神经网络推导出的粒子路径中的不确定性。我们的关键创新在于设计和实现一个超椭圆管道，准确捕捉并直观地传达非对称不确定性。通过集成诸如深度集成、蒙特卡罗 Dropout（MC Dropout）和随机权重平均-高斯（SWAG）等 established 的不确定性量化技术，我们展示了不确定性管道的实际用途，展示了其在合成数据集和模拟数据集上的应用。