論文の概要: Uncertainty Quantification for AI-Driven Crash Simulation Surrogates: A Comparative Study of Monte Carlo Dropout and Deep Ensemble on Open-Source Bumper Beam Benchmark

• arxiv url: http://arxiv.org/abs/2607.18294v1
• Date: Tue, 30 Jun 2026 21:45:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.915674
• Title: Uncertainty Quantification for AI-Driven Crash Simulation Surrogates: A Comparative Study of Monte Carlo Dropout and Deep Ensemble on Open-Source Bumper Beam Benchmark
• Title（参考訳）: AI駆動クラッシュシミュレーションのための不確実性定量化:オープンソースのバンパービームベンチマークにおけるモンテカルロ落下とディープアンサンブルの比較研究
• Abstract要約: 機械学習のサロゲートモデルは、エンジニアリング製品開発においてますます研究されている。 付随する不確実性推定のないポイント予測は、モデルを信頼すべきでないことをエンジニアに知らせることができない。 この研究は、広く使われている2つの不確実性定量化アプローチの頭と頭の比較を示す。
• 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: Machine learning surrogate models are increasingly being explored in engineering product development to augment simulation-driven design, offering near-instantaneous predictions that complement computationally expensive high-fidelity analyses. However, a critical gap limits their adoption in safety-critical workflows: a point prediction without an accompanying uncertainty estimate cannot tell an engineer when the model should not be trusted. This work presents a systematic, head-to-head comparison of two widely used uncertainty quantification approaches -- Monte Carlo Dropout and Deep Ensembles -- applied to an open-source surrogate pipeline built on NVIDIA PhysicsNeMo. A key contribution is the use of concrete dropout, a built-in PhysicsNeMo capability that eliminates the dropout rate as a manual hyperparameter by learning it end-to-end during training, directly addressing the most common criticism of Monte Carlo Dropout-based uncertainty quantification. Automotive crash simulation is used as the application domain, with a steel bumper beam impact problem serving as the benchmark. Both methods are evaluated on identical held-out simulations and compared on point accuracy, uncertainty band calibration, and computational cost. The results reveal a fundamental trade-off between accuracy and calibration that challenges the common assumption that deep ensembles are the default gold standard for surrogate uncertainty quantification. The findings demonstrate that well-calibrated, hyperparameter-free uncertainty estimates are achievable within a fully open-source engineering workflow at a fraction of the computational cost of ensemble approaches.
• Abstract（参考訳）: 機械学習サロゲートモデルは、シミュレーション駆動設計を強化するため、エンジニアリング製品開発において、計算に高価な高忠実度分析を補完するほぼ瞬時に予測を提供するために、ますます研究されている。 しかし、重要なギャップは、安全クリティカルなワークフローへの導入を制限する。付随する不確実性推定のないポイント予測は、モデルを信頼すべきでないかどうかをエンジニアに知らせることができない。 この研究は、NVIDIA PhysicsNeMo上に構築されたオープンソースのサロゲートパイプラインに適用された、広く使用されている2つの不確実性定量化アプローチ(Monte Carlo DropoutとDeep Ensembles)の体系的、直接的に比較する。 これは、モンテカルロ・ドロップアウトに基づく不確実性定量化に対する最も一般的な批判に対処するため、トレーニング中にエンドツーエンドに学習することで、手動のハイパーパラメータとしてのドロップアウト率を排除した、内蔵の物理NeMo機能である。 自動車の衝突シミュレーションがアプリケーションドメインとして使われ、ベンチマークとしてスチールバンパービームの衝突問題がある。 両手法は同一のホールドアウトシミュレーションで評価され,点精度,不確実帯域校正,計算コストで比較される。 その結果、深層アンサンブルが不確実性定量化の標準となるという一般的な仮定に挑戦する精度とキャリブレーションの基本的なトレードオフが明らかとなった。 この結果は、アンサンブルアプローチの計算コストのごく一部で、十分に校正されたハイパーパラメータフリーな不確実性推定が、完全にオープンソースなエンジニアリングワークフロー内で達成可能であることを示す。

関連論文リスト

• Invascal: Inverse-Vacuity Self-Calibration for Uncertainty-Aware LiDAR Range-View Semantic Segmentation [3.0338740183736106]
  アーキテクチャに依存しない新しいアダプタヘッドを提案する。 予測は、クラスランキングのための予測ヘッドと、不確実性評価を洗練させる強度ヘッドに分解される。 本稿では, 強度信号を直接監視し, 信頼性・校正された不確実性推定を行う逆空洞自己校正目標を提案する。
  論文  参考訳（メタデータ） (2026-05-20T16:39:29Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Another Fit Bites the Dust: Conformal Prediction as a Calibration Standard for Machine Learning in High-Energy Physics [0.0]
  等角予測は任意の予測モデルを校正するための分布自由フレームワークを提供する。 回帰,二分分類,多クラス分類,異常検出,生成モデルなどに適用可能であることを示す。 我々は、コライダー物理における機械学習パイプラインの標準コンポーネントとして、共形校正を採用するべきであると論じる。
  論文  参考訳（メタデータ） (2025-12-18T20:31:25Z)
• Uncertainty-Guided Expert-AI Collaboration for Efficient Soil Horizon Annotation [0.13999481573773068]
  土壌プロファイルを記述するためのマルチモーダルマルチタスクモデルである$textitSoilNet$に共形予測を適用する。 我々は,モデルの不確実性が高い場合に,基本真理アノテーションを得るための限られた予算が利用できる,シミュレーションされたHILアノテーションパイプラインを設計する。 実験により、SoilNetの適合性は回帰タスクにおけるより効率的なアノテーションと分類タスクにおける同等のパフォーマンススコアをもたらすことが示された。
  論文  参考訳（メタデータ） (2025-09-29T14:54:23Z)
• BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
  機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-19T17:28:14Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification [3.126303871979975]
  ShiFT (Spectral Heteroscedastic Informed Forecasting for Trajectories) は、よく校正された不確実性モデリングと情報前処理を組み合わせた新しいフレームワークである。 我々のモデルは、本質的に不確実性が高い交差点のような複雑なシナリオで優れている。
  論文  参考訳（メタデータ） (2025-04-17T17:24:50Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• 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)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)

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。