論文の概要: Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux

• arxiv url: http://arxiv.org/abs/2602.21701v1
• Date: Wed, 25 Feb 2026 09:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.766118
• Title: Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux
• Title（参考訳）: 包括的不確実性定量化による複雑な物理レジームの学習:臨界熱束への応用
• Authors: Michele Cazzola, Alberto Ghione, Lucia Sargentini, Julien Nespoulous, Riccardo Finotello,
• Abstract要約: 不確実性定量化(UQ)は、安全性評価ではなく、学習タスク自体への支援と見なされるべきである。 OECD/NEA Expert Group on Reactor Systems Multi-Physicsで発表されたCritical Heat Fluxベンチマークとデータセットに注目した。 ポストホック法は統計的キャリブレーションを保証するが、カバレッジ指向学習は複雑な物理状態に適合するようにモデルの表現を効果的に再評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central challenge in scientific machine learning (ML) is the correct representation of physical systems governed by multi-regime behaviours. In these scenarios, standard data analysis techniques often fail to capture the nature of the data, as the system's response varies significantly across the state space due to its stochasticity and the different physical regimes. Uncertainty quantification (UQ) should thus not be viewed merely as a safety assessment, but as a support to the learning task itself, guiding the model to internalise the behaviour of the data. We address this by focusing on the Critical Heat Flux (CHF) benchmark and dataset presented by the OECD/NEA Expert Group on Reactor Systems Multi-Physics. This case study represents a test for scientific ML due to the non-linear dependence of CHF on the inputs and the existence of distinct microscopic physical regimes. These regimes exhibit diverse statistical profiles, a complexity that requires UQ techniques to internalise the data behaviour and ensure reliable predictions. In this work, we conduct a comparative analysis of UQ methodologies to determine their impact on physical representation. We contrast post-hoc methods, specifically conformal prediction, against end-to-end coverage-oriented pipelines, including (Bayesian) heteroscedastic regression and quality-driven losses. These approaches treat uncertainty not as a final metric, but as an active component of the optimisation process, modelling the prediction and its behaviour simultaneously. We show that while post-hoc methods ensure statistical calibration, coverage-oriented learning effectively reshapes the model's representation to match the complex physical regimes. The result is a model that delivers not only high predictive accuracy but also a physically consistent uncertainty estimation that adapts dynamically to the intrinsic variability of the CHF.
• Abstract（参考訳）: 科学機械学習(ML)における中心的な課題は、マルチレジームの振る舞いによって支配される物理システムの正しい表現である。 これらのシナリオでは、標準的なデータ解析技術は、その確率性や物理状態が異なるため、システムの応答が状態空間によって大きく異なるため、データの性質を捉えるのに失敗することが多い。 したがって、不確実性定量化(UQ)は単なる安全性評価ではなく、学習タスク自体の支援として、データの振る舞いを内部的に導くモデルとして見なされるべきである。 我々は、OECD/NEA Expert Group on Reactor Systems Multi-Physicsが提示したCritical Heat Flux(CHF)ベンチマークとデータセットに注目して、この問題に対処する。 このケーススタディは、CHFの入力への非線形依存と異なる微視的物理状態の存在による科学MLのテストである。 これらのレジームは様々な統計プロファイルを示しており、データの振る舞いを内部化し、信頼できる予測を保証するためにUQテクニックを必要とする複雑さである。 本研究では,UQ手法の比較分析を行い,その物理表現への影響について検討する。 ポストホック法、特にコンフォーマル予測は、(ベイジアン)ヘテロセダスティック回帰や品質駆動的損失を含む、エンドツーエンドのカバレッジ指向パイプラインとは対照的である。 これらのアプローチは、不確実性を最終指標としてではなく、最適化プロセスのアクティブな構成要素として扱い、予測と振る舞いを同時にモデル化する。 ポストホック法は統計的キャリブレーションを保証するが、カバレッジ指向学習は複雑な物理状態に適合するようにモデルの表現を効果的に再評価する。 結果は、高い予測精度だけでなく、CHFの固有変数に動的に適応する物理的に一貫した不確実性推定も提供するモデルである。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Conformal Prediction on Quantifying Uncertainty of Dynamic Systems [15.922642503804092]
  力学系の不確実性評価に共形予測を導入する。 本稿では,コンフォメーション予測手法を用いて,ベンチマーク演算子学習手法による不確実性の評価を行う。 また、偏微分方程式データセットにおいてモンテカルロ・ドロップアウト法とアンサンブル法を比較した。
  論文  参考訳（メタデータ） (2024-12-12T10:45:02Z)
• FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
  同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。 本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
  論文  参考訳（メタデータ） (2024-05-23T13:37:26Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)

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。