抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
可変忠実度の雑音の多いデータを用いて訓練できる新しいクラスのBayesニューラルネットワーク(BNN)を提案し,それらを学習関数近似に適用し,偏微分方程式(PDE)に基づく逆問題を解く。これらのマルチ忠実度BNNは3つのニューラルネットワークから成る:最初のものは完全に接続されたニューラルネットワークであり,それは低忠実度データに適合するための最大事後確率(MAP)法に従って訓練される。第2は,低および高忠実度データ間の不確実性定量化と相互相関を捉えるために採用されたBayesニューラルネットワークである。そして,最後のものは,PDEによって記述される物理的法則を符号化する物理学情報ニューラルネットワークである。最後の2つのニューラルネットワークの訓練のために,著者らは,対応するハイパーパラメータのための後部分布を正確に推定するために,ハミルトニアンモンテカルロ法を使用した。実測定と同様に合成データを用いた本法の精度を実証した。特に,1次元および4次元関数を近似し,1次元および2次元拡散反応系における反応速度を推測した。さらに,衛星画像と現場測定を用いて,マサチューセッツとCape Cod湾における海面水温(SST)を推定した。まとめると,著者らの結果から,本手法は,低および高忠実度データ間の線形および非線形相関を適応的に捉え,PDEにおける未知パラメータを同定し,予測における不確実性を定量化し,少数の散乱雑音高忠実度データを与えた。最後に,著者らは,不確実性を効果的かつ効率的に低減でき,従って,特定の一次元関数近似および逆PDE問題を用いて,アクティブ学習アプローチによる予測精度を強化することを示した。【JST・京大機械翻訳】