論文の概要: Physics-Informed Uncertainty Enables Reliable AI-driven Design

• arxiv url: http://arxiv.org/abs/2601.18638v1
• Date: Mon, 26 Jan 2026 16:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.925652
• Title: Physics-Informed Uncertainty Enables Reliable AI-driven Design
• Title（参考訳）: 物理インフォームされた不確実性によって信頼性の高いAI駆動設計が可能に
• Authors: Tingkai Xue, Chin Chun Ooi, Yang Jiang, Luu Trung Pham Duong, Pao-Hsiung Chiu, Weijiang Zhao, Nagarajan Raghavan, My Ha Dao,
• Abstract要約: 逆設計は、電気通信や光メタマテリアルのマイクロエレクトロニクスにとって重要な周波数選択面を含む、科学と工学の中心的な目標である。 ディープラーニングを用いた従来のサロゲート支援最適化手法は設計過程を高速化するが、不確実な定量化を含まないことが多い。 ここでは,モデルの予測が基本的な物理法則に違反する程度が,予測の不確実性に対する計算的かつ効果的なプロキシとして機能する,物理学的不確実性の基本的パラダイムを紹介し,検証する。
• 参考スコア（独自算出の注目度）: 1.1104649308580707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse design is a central goal in much of science and engineering, including frequency-selective surfaces (FSS) that are critical to microelectronics for telecommunications and optical metamaterials. Traditional surrogate-assisted optimization methods using deep learning can accelerate the design process but do not usually incorporate uncertainty quantification, leading to poorer optimization performance due to erroneous predictions in data-sparse regions. Here, we introduce and validate a fundamentally different paradigm of Physics-Informed Uncertainty, where the degree to which a model's prediction violates fundamental physical laws serves as a computationally-cheap and effective proxy for predictive uncertainty. By integrating physics-informed uncertainty into a multi-fidelity uncertainty-aware optimization workflow to design complex frequency-selective surfaces within the 20 - 30 GHz range, we increase the success rate of finding performant solutions from less than 10% to over 50%, while simultaneously reducing computational cost by an order of magnitude compared to the sole use of a high-fidelity solver. These results highlight the necessity of incorporating uncertainty quantification in machine-learning-driven inverse design for high-dimensional problems, and establish physics-informed uncertainty as a viable alternative to quantifying uncertainty in surrogate models for physical systems, thereby setting the stage for autonomous scientific discovery systems that can efficiently and robustly explore and evaluate candidate designs.
• Abstract（参考訳）: 逆設計は、電気通信や光メタマテリアルのマイクロエレクトロニクスにとって重要な周波数選択的表面(FSS)を含む、科学と工学の主要な目標である。 ディープラーニングを用いた従来のサロゲート支援最適化手法は設計過程を高速化するが、不確実な定量化を含まないため、データスパース領域での誤予測による最適化性能が低下する。 ここでは,モデルの予測が基本的な物理法則に違反する程度が,予測の不確実性に対する計算的かつ効果的なプロキシとして機能する,物理学的不確実性の基本的パラダイムを紹介し,検証する。 20～30GHzの範囲で複雑な周波数選択曲面を設計するための多要素不確実性認識最適化ワークフローに物理インフォームド不確実性を組み込むことにより、性能解を見つける成功率を10%未満から50%以上に引き上げるとともに、高忠実度ソルバの単独使用と比較して計算コストを桁違いに削減する。 これらの結果は、高次元問題に対する機械学習駆動逆設計における不確かさの定量化の必要性を強調し、物理系のサロゲートモデルにおける不確かさの定量化の代替として物理情報を用いた不確実性を確立することにより、候補設計の効率的かつ堅牢な探索と評価が可能な自律科学的発見システムのステージを構築することの必要性を強調している。

関連論文リスト

• Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference [10.530131993583623]
  科学機械学習における不確かさの定量化はますます重要になっている。 物理インフォームドニューラルネットワーク(PINN)の場合、不確実性は通常ベイズ的あるいはドロップアウト的手法を用いて定量化される。 本稿では,PINNに対する厳密な不確実性定量化を実現するために,拡張フィデューシャル推論(EFI)の枠組み内での新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-25T13:18:13Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Towards Efficient and Trustworthy AI Through Hardware-Algorithm-Communication Co-Design [32.815326729969904]
  最先端のAIモデルは、その不確実性に関する信頼できる尺度を提供することができない。 本稿では,ハードウェアとソフトウェア設計の交差点における研究の方向性を明らかにする。
  論文  参考訳（メタデータ） (2023-09-27T18:39:46Z)
• 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)
• Neural Message Passing for Objective-Based Uncertainty Quantification and Optimal Experimental Design [15.692012868181635]
  データ駆動型アプローチに基づくMOCUによる客観的UQの計算コスト削減手法を提案する。 提案手法は,MOCUをベースとしたOEDを4～5桁の精度で高速化できることを示す。
  論文  参考訳（メタデータ） (2022-03-14T14:08:46Z)

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。