.png){kind=icon}
返回
Stochastic hierarchical data-driven optimization: application to plasma-surface kinetics
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae4c16.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种受松散模型理论启发的随机分层优化框架，用于物理模型的高效校准。该方法的核心是采用降维Hessian近似，通过最少量的模拟查询识别并针对刚性参数子空间。该策略能够高效导航高度各向异性的景观，避免全面采样的计算负担。为确保严谨的推断，我们将此方法与一种概率性表述相结合，该表述直接从观测数据中推导出具有原则性的目标损失函数。我们通过将其应用于等离子体-表面相互作用问题来验证该框架，其中准确建模严格受到表面反应性参数不确定性和动力学模拟计算成本的制约。比较分析表明，本方法在样本效率方面始终优于基线优化技术。该方法为优化从等离子体化学到生化网络的复杂反应系统的模型提供了一种通用且可扩展的工具。
Keyword:
stochastic hierarchical optimization
reduced Hessian approximation
plasma-surface interactions
parameter calibration
data-driven modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
.png){kind=icon}
An efficient method for finding the minimum of a function of several variables without calculating derivatives无需计算导数即可找到多个变量函数最小值的有效方法
PREAI
分享收藏分享收藏分享收藏
查看更多内容