返回
Active operator learning with predictive uncertainty quantification for partial differential equations
DOI:10.1016/j.jcp.2026.114791.png)
摘要
En 中文
• 深度神经网络算子配备了预测不确定性以准确估计误差。
• 不确定性预测泛化到分布外数据及函数空间。
• 我们引入了一种优化的推理实现,适用于实时应用。
• 预测不确定性用于加速函数空间中的主动学习。
Keyword:
Deep neural operators
Predictive uncertainty
Active learning
Partial differential equations
Uncertainty quantification
期刊
IF:
3.8
论文数:
1.5W
被引数:
7.4W
机构
引用论文
ConvPDE-UQ: Convolutional neural networks with quantified uncertainty for heterogeneous elliptic partial differential equations on varied domainsConvpde-uq: 具有量化不确定性的卷积神经网络,用于变域上的异质椭圆偏微分方程
3D elastic wave propagation with a Factorized Fourier Neural Operator (F-FNO)使用分解的傅立叶神经算子 (f-fno) 进行3D弹性波传播
Learning the solution operator of parametric partial differential equations with physics-informed DeepONets用物理信息DeepONets学习参数偏微分方程的解算子
SCIENCE ADVANCES
IF12.5

