Randomized prior wavelet neural operator for uncertainty quantification

Shailesh Garg

doi:10.1016/j.probengmech.2025.103817

Randomized prior wavelet neural operator for uncertainty quantification

2025-08-21

0

OA

AI

DOI：10.1016/j.probengmech.2025.103817

原文链接

原文求助

摘要

En 中文

在本论文中，我们提出了一种新颖的数据驱动算子学习框架，称为随机先验小波神经网络算子（RP-WNO）。所提出的RP-WNO是近期提出的波神经网络算子（WNO）的扩展，尽管其具有出色的泛化能力，但在其基础形式下无法估计其预测结果的相关不确定性。与基础WNO不同，RP-WNO具有固有的预测不确定性量化模块，并有望适用于涉及某种形式决策制定的场景。RP-WNO设定在确定性框架内，这使其比其贝叶斯对应方法更易于实现，尤其对于大型、复杂的深度学习架构而言。它利用随机先验网络来考虑先验信息，在本论文中，我们通过使用底层概念来无缝整合基于物理的先验，从而扩展了随机先验网络的理论。为测试所提出框架的有效性，已展示三个涵盖源自二维偏微分方程数据集的示例。其中两个示例使用随机初始化的先验网络，剩余示例则同时使用基于物理的先验和随机初始化的先验网络。实验结果有力证明了所提出的RP-WNO框架的有效性。

Keyword:

Randomized Prior Wavelet Neural Operator

uncertainty quantification

operator learning

physics-informed neural networks

partial differential equations

Randomized prior wavelet neural operator for uncertainty quantification

摘要

期刊

机构

引用论文