論文の概要: Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics

• arxiv url: http://arxiv.org/abs/2601.03673v1
• Date: Wed, 07 Jan 2026 07:54:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.155062
• Title: Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics
• Title（参考訳）: 物理インフォームドニューラルネットワークにおける異方性アレラトニックおよびエピステミック不確かさ : 絶縁材料劣化診断への応用
• Authors: Ibai Ramirez, Jokin Alcibar, Joel Pino, Mikel Sanz, Jose I. Aizpurua,
• Abstract要約: 既存のPINベースの予後のアプローチは、決定論的あるいは不確実性のみを考慮し、リスク認識による意思決定に対する適合性を制限している。 この研究は、BNNと物理ベースの残差法則と事前分布を統合した、異例のベイズ物理学インフォームドニューラルネットワーク(B-PINN)フレームワークを導入する。 その結果,提案したB-PINNは,競合する手法よりも予測精度が向上し,系統的不確実性の推定精度が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 1.1417805445492082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-Informed Neural Networks (PINNs) provide a framework for integrating physical laws with data. However, their application to Prognostics and Health Management (PHM) remains constrained by the limited uncertainty quantification (UQ) capabilities. Most existing PINN-based prognostics approaches are deterministic or account only for epistemic uncertainty, limiting their suitability for risk-aware decision-making. This work introduces a heteroscedastic Bayesian Physics-Informed Neural Network (B-PINN) framework that jointly models epistemic and aleatoric uncertainty, yielding full predictive posteriors for spatiotemporal insulation material ageing estimation. The approach integrates Bayesian Neural Networks (BNNs) with physics-based residual enforcement and prior distributions, enabling probabilistic inference within a physics-informed learning architecture. The framework is evaluated on transformer insulation ageing application, validated with a finite-element thermal model and field measurements from a solar power plant, and benchmarked against deterministic PINNs, dropout-based PINNs (d-PINNs), and alternative B-PINN variants. Results show that the proposed B-PINN provides improved predictive accuracy and better-calibrated uncertainty estimates than competing approaches. A systematic sensitivity study further analyzes the impact of boundary-condition, initial-condition, and residual sampling strategies on accuracy, calibration, and generalization. Overall, the findings highlight the potential of Bayesian physics-informed learning to support uncertainty-aware prognostics and informed decision-making in transformer asset management.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(PINN)は、物理法則をデータと統合するためのフレームワークを提供する。 しかし、そのPHM(Prognostics and Health Management)への応用は、限定された不確実性定量化(UQ)能力によって制限されている。 既存のPINNベースの予後学のアプローチは、決定論的またはエピステマティックな不確実性のみを考慮し、リスクを意識した意思決定に対する適合性を制限している。 本研究は, 異種遺伝学的ベイズ物理学インフォームドニューラルネットワーク(B-PINN)フレームワークを導入し, 時空間絶縁材料年代推定のための完全な予測後部を与える。 このアプローチは、BNN(Bayesian Neural Networks)と物理に基づく残差法と事前分布を統合し、物理インフォームドラーニングアーキテクチャ内で確率論的推論を可能にする。 本フレームワークは, 変圧器断熱処理の適用について評価し, 有限要素熱モデルおよび太陽光発電プラントのフィールド測定により検証し, 決定論的PINN, ドロップアウトベースPINN(d-PINN)および代替B-PINNの変種に対してベンチマークを行った。 その結果,提案したB-PINNは,競合する手法よりも予測精度が向上し,不確実性の推定精度が向上していることがわかった。 系統感度研究は、境界条件、初期条件および残留サンプリング戦略が精度、校正、一般化に与える影響をさらに分析する。 全体として、この知見は、変圧器資産管理における不確実性認識と情報意思決定を支援するためのベイズ物理学インフォームドラーニングの可能性を強調している。

関連論文リスト

• Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics [1.53934570513443]
  本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
  論文  参考訳（メタデータ） (2025-09-19T12:39:15Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。