首页/论文/1902.00002

arXiv 1902.000022019-02physics.comp-phstat.OT

基于多项式混沌展开的分子信号不确定性量化

Uncertainty Quantification in Molecular Signals using Polynomial Chaos Expansion

Mahmoud Abbaszadeh, Giannis Moutsinas, Peter J. Thomas, Weisi Guo

摘要：

分子信号在工程和生物学背景下是丰富的，并且在流体动力学通道中经历随机传播。接收信号对各种输入和信道参数变化敏感。目前，我们还不了解各种参数中的不确定性或噪声如何影响接收到的信号浓度，我们也没有一个分析框架来应对这一挑战。在本文中，我们利用多项式混沌展开（PCE），以显示参数的不确定性传播到接收信号的不确定性。在证明其适用性，我们认为湍流扩散分子通信（TDMC）通道和突出的参数影响接收到的信号。这可以为未来的信息理论见解铺平道路，并指导实验设计。

英文摘要：

Molecular signals are abundant in engineering and biological contexts, and undergo stochastic propagation in fluid dynamic channels. The received signal is sensitive to a variety of input and channel parameter variations. Currently we do not understand how uncertainty or noise in a variety of parameters affect the received signal concentration, and nor do we have an analytical framework to tackle this challenge. In this paper, we utilize Polynomial Chaos Expansion (PCE) to show to uncertainty in parameters propagates to uncertainty in the received signal. In demonstrating its applicability, we consider a Turbulent Diffusion Molecular Communication (TDMC) channel and highlight which parameters affect the received signals. This can pave the way for future information theoretic insights, as well as guide experimental design.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

BayesIMP：因果数据融合的不确定性量化

BayesIMP: Uncertainty Quantification for Causal Data Fusion

University of Oxford（牛津大学）；Microsoft Research Cambridge（微软研究院剑桥分院）

虽然因果模型正在成为机器学习的支柱之一，但因果推断中的不确定性量化问题仍然具有挑战性。在本文中，我们研究的因果数据融合问题，其中有关多个因果图的数据集相结合，以估计目标变量的平均处理效应。由于数据来自多个来源，并且可能在质量和数量上有所不同，因此原则性的不确定性量化变得至关重要。为此，我们引入了贝叶斯干预均值过程，这是一个框架，它结合了概率积分和核均值嵌入的思想来表示再生核希尔伯特空间中的干预分布，同时考虑到每个因果图中的不确定性。为了证明我们的不确定性估计的实用性，我们将我们的方法应用于因果贝叶斯优化任务，并显示了对最先进方法的改进。

2021-06-07cs.LGstat.ML

贝叶斯试验设计的输出加权最优抽样与不确定度量化

Output-Weighted Optimal Sampling for Bayesian Experimental Design and Uncertainty Quantification

Massachusetts Institute of Technology（麻省理工学院）

我们介绍了一类采集功能的样本选择，导致更快的收敛，贝叶斯试验设计和不确定性量化相关的应用程序。该方法遵循主动学习的范式，即利用黑盒函数的现有样本来优化下一个信息量最大的样本。所提出的方法旨在利用黑盒函数的某些输入方向对输出的影响比其他方向更大的事实，这对于表现出罕见和极端事件的系统尤其重要。在这项工作中引入的采集函数利用了似然比的属性，该似然比是一个充当概率采样权重并将主动学习算法引导到被认为最相关的输入空间区域的量。我们证明了所提出的方法在水文系统的不确定性量化以及动力系统中罕见事件的概率量化及其前兆识别方面的优越性。

2021-04-08cs.ITcs.LGmath.IT

分子动力学的不确定性量化

Uncertainty Quantification for Molecular Dynamics

本章的目标是双重的。首先，我们希望介绍分子动力学（MD）和不确定性量化（UQ）在一个共同的设置，以证明后者如何可以增加前者的信心。在某些情况下，这种讨论的高潮是我们提供了实用的数学工具，可以用来回答这个问题，“这种模拟可靠吗？“然而，许多问题仍然没有答案。因此，这项工作的第二个目标是突出公开的问题，在这些问题上的进展将有助于更大的社区。

2018-01-04physics.comp-ph

通用多物理系统的灵活不确定性量化框架

A Flexible Uncertainty Quantification Framework for General Multi-Physics Systems

提出了一种“基于模块的混合”不确定性量化（UQ）框架，用于一般非线性多物理场模拟。在[ \hyperlink{ref1}{1} ]中介绍的所提出的方法，支持配备最合适的概率UQ方法的每个\emph{stochastic}线性或非线性物理模块的独立开发：非侵入式，半侵入式或侵入式;并提供了一个通用框架来耦合这些随机模拟组件。此外，使用一个共同的“全球”的不确定性表示方案的基础上广义多项式混沌（gPC）的扩展的输入和输出的方法进行说明。通过使用热驱动空腔流作为多物理模型问题，我们证明了我们的框架的实用性，并报告所取得的计算收益。

2014-10-20physics.comp-ph

基于预处理BFGS的弹性全波反演不确定性量化

Preconditioned BFGS-based Uncertainty Quantification in elastic Full Waveform Inversion

全波反演在重建地球物理结构中起着重要作用。关于反演结果的不确定性量化同样重要，但在当前大多数地球物理反演中被遗漏。在数学上，不确定性量化涉及逆Hessian（或后验协方差矩阵），这在实际地球物理FWI问题中在计算和存储上是禁止的。L-BFGS填充作为最有效的高斯-牛顿方法，然而，在这项研究中，我们赋予它新的可能性，访问逆Hessian的不确定性量化在FWI。为了便于逆Hessian检索，我们将BFGS（基本上是全历史L-BFGS）与随机奇异值分解放在一起，以实现Hessian逆的低秩近似。秩数等于迭代次数使得该解决方案即使对于大规模反演也是有效的和存储可负担的。同时，基于伴随方法，我们构造了不同的对角Hessian初值作为预条件子，并比较了它们在弹性FWI中的性能。我们强调我们的方法与弹性Marmousi基准，证明预处理BFGS在大规模FWI和不确定性量化的适用性。

2021-08-15physics.comp-phphysics.geo-ph

多尺度支架内再狭窄模型的非侵入和半侵入不确定性量化

Non-intrusive and semi-intrusive uncertainty quantification of a multiscale in-stent restenosis model

不确定性估计的多尺度支架内再狭窄模型的响应，获得非侵入性和半侵入性的不确定性量化。支架内再狭窄模型是支架植入后组织生长的完全耦合多尺度模拟，其中最昂贵的子模型是血流模拟。非侵入性不确定性量化的替代建模将整个模型视为黑盒，并将三个不确定输入直接映射到感兴趣的数量，即新生内膜面积。相应的不确定性估计与准蒙特卡罗模拟的结果吻合得很好。在半侵入式不确定性量化中，最昂贵的子模型被替换为代理模型。我们使用卷积神经网络开发了一个血流模拟的代理模型。新的代理模型的半侵入式方法提供了有效估计的不确定性和灵敏度，同时保持相对较高的精度。它优于早期替代模型获得的结果。它还实现了与非侵入性方法相当的估计，具有类似的效率。非侵入式和半侵入式元建模方法的不确定性传播的结果，让我们得出一些结论，这些方法的优点和局限性。

2021-04-17physics.comp-phstat.CO

更多相关论文收起更多论文

RANS模拟中模型不确定性的量化

Quantification of Model Uncertainty in RANS Simulations: A Review

在工业流动的计算流体动力学模拟中，基于雷诺平均Navier-Stokes（RANS）方程的模型预计在未来几十年内将发挥重要作用。然而，模型的不确定性仍然是RANS模拟预测能力的主要障碍。本文综述了湍流模型中的参数和结构不确定性。我们回顾了最近的文献中的无数据（不确定性传播）和数据驱动（统计推断）的方法来量化和减少模型的不确定性在RANS模拟。此外，在RANS模型不确定性量化的背景下，介绍了不确定性传播和贝叶斯推断的基本原理。最后，简要回顾了尺度分辨模拟中的不确定性文献，特别强调了大涡模拟。

2018-09-27physics.comp-phphysics.flu-dyn

基于贝叶斯不确定性量化的加速原子模拟跃迁率矩阵的自优化构造

Self-optimized construction of transition rate matrices from accelerated atomistic simulations with Bayesian uncertainty quantification

提出了一种从温度加速分子动力学轨道建立大规模跃迁速率矩阵的大规模并行方法。贝叶斯马尔可夫模型分析用于估计在已知状态空间中的预期停留时间，为更高尺度的模拟方案（如动力学Monte Carlo或簇动力学）提供关键的不确定性量化。估计器还用于优化进行探索的位置和飞行中的温度加速程度，给出了探索复杂系统的状态空间的自主的最优过程。该方法进行了测试，对完全可解的模型，并用于探讨铁中C15间隙缺陷的动力学。我们的不确定性量化方案允许在几秒钟的时间尺度上对这些缺陷的演变进行精确建模。

2018-03-07cond-mat.mtrl-sciphysics.comp-ph

EZFF：用于分子动力学原子间力场多目标参数化和不确定性量化的Python库

EZFF: Python Library for Multi-Objective Parameterization and Uncertainty Quantification of Interatomic Forcefields for Molecular Dynamics

原子间力场的参数化是进行分子动力学模拟的第一步。这是一个非平凡的全局优化问题，涉及针对一个或多个属性的多个经验变量的量化。我们提出了EZFF，一个轻量级的Python库的参数化的几种类型的原子间力场实现在几个分子动力学引擎对多个目标，使用遗传算法为基础的全局优化方法。EZFF方案提供了独特的功能，例如由多个力场相互作用组成的混合力场的参数化以及力场参数中不确定性的内置量化，并且可以很容易地扩展到其他力场功能形式以及MD引擎。

2020-09-30cond-mat.mtrl-sciphysics.comp-ph

用于神经网络不确定性量化的浓缩Stein变分梯度下降

Condensed Stein Variational Gradient Descent for Uncertainty Quantification of Neural Networks

Cornell University（康奈尔大学）；Sandia National Laboratories（桑迪亚国家实验室）；Pasteur Labs（巴斯德实验室）

提出cSVGD方法，通过图协调与浓缩过程同时稀疏化、训练复杂模型并提供参数级不确定性量化，加速收敛，在固体力学应用中验证了有效性。

2024-12-21cs.LGphysics.comp-phstat.ML

合理和逆向化合物和催化剂设计中的启发式和不确定性量化

Heuristics and Uncertainty Quantification in Rational and Inverse Compound and Catalyst Design

逆（量子）方法的目标是设计能够有效搜索化学空间的方法和途径，以使具有特定性质的新材料和化合物的设计尽可能直接和有效。在这里，我们回顾了该领域的现状，重点是最近的发展。我们讨论了合理的化合物设计的启发式规则和人的直觉的重要性。此外，我们详细介绍了可靠的不确定性量化的计算结果，这是一个真正的预测应用程序中的任何硅片方法的关键选项。

2022-03-17cond-mat.mtrl-sciphysics.chem-phphysics.comp-ph

基于理论指导神经网络的动态地下水流不确定性量化

Efficient Uncertainty Quantification for Dynamic Subsurface Flow with Surrogate by Theory-guided Neural Network

College of Engineering, Peking University（北京大学工学院）；School of Environmental Science and Engineering, Southern University of Science and Technology（南方科技大学环境科学与工程学院）；Peng Cheng Laboratory（鹏城实验室）

地下水流问题通常涉及到某种程度的不确定性。因此，不确定性量化通常是地下水流预测所必需的。在这项工作中，我们提出了一种方法，有效的不确定性量化动态地下水流与理论指导的神经网络（TgNN）构建的代理。这里的TgNN是专门为随机参数问题设计的。在TgNN中，随机参数，时间和位置包括神经网络的输入，而感兴趣的量是输出。神经网络用可用的模拟数据训练，同时由理论（例如，控制方程、边界条件、初始条件等）潜在的问题。训练好的神经网络可以预测具有新随机参数的地下水流问题的解。利用TgNN代理，可以有效地实现蒙特卡罗（MC）方法的不确定性量化。所提出的方法进行了评估与二维动态饱和渗流问题的多孔介质。数值结果表明，基于TgNN的代理可以显着提高效率的不确定性量化任务相比，基于仿真的实现。进一步研究了相关长度较小、方差较大、边界值变化和方差不服从分布的随机场，得到了满意的结果。

2020-04-25cs.LGeess.SPphysics.comp-ph

数据分析在不确定性量化中的作用：材料模型的实例研究

The Role of Data Analysis in Uncertainty Quantification: Case Studies for Materials Modeling

在计算材料科学中，机械性能通常通过试图模拟其实验对应物的分析例程从模拟中提取。然而，模拟数据通常表现出不确定性，这些不确定性可能以意想不到的方式传播到最终预测中。因此，建模者需要数据分析工具，（i）解决模拟数据带来的问题，（ii）促进不确定性量化。在本文中，我们讨论了材料建模中的三个案例研究，其中仔细的数据分析可以用来解决这些问题的具体实例。作为一个统一的主题，我们强调的想法，注意周围的物理和数学约束的计算数据的生成可以显着提高其分析。

2017-12-05physics.comp-phphysics.data-anstat.AP

参数化方程的深度学习及其在不确定性量化中的应用

Deep learning of parameterized equations with applications to uncertainty quantification

提出了一种利用状态变量的观测数据发现未知参数化动力系统的数值方法。我们的方法是建立在并扩展了最近发现未知动力系统的工作，特别是那些使用深度神经网络（DNN）。我们提出了一种DNN结构，主要基于残差网络（ResNet），不仅可以学习控制方程的未知形式，还可以考虑系统中嵌入的随机效应，这是由随机参数产生的。一旦DNN模型成功构建，它就能够产生长期的系统预测和任意参数值。对于不确定性量化，它允许我们通过评估参数空间上的解统计来进行不确定性分析。

2020-03-10cs.NAmath.DSmath.NA

蒙特卡罗模拟中不确定性量化的精确框架

An exact framework for uncertainty quantification in Monte Carlo simulation

在粒子输运的Monte Carlo（MC）模拟的背景下，不确定性量化（UQ）解决了预测影响物理结果的非统计误差的问题，即主要来自物理数据和/或它们嵌入的模型中的不确定性的误差。在单一不确定性的情况下，其概率密度函数（PDF）和模拟输出的相应PDF之间存在简单的分析关系：这允许对模拟结果进行完整的统计分析。我们研究这个结果的扩展到多变量的情况下，当一个以上的物理输入参数的不确定性的影响：一个典型的情况是预测的依赖输入截面表格的模拟。

2013-11-20hep-exnucl-thphysics.comp-ph

用于代理建模和不确定性量化的贝叶斯深度卷积编码器-解码器网络

Bayesian Deep Convolutional Encoder-Decoder Networks for Surrogate Modeling and Uncertainty Quantification

University of Notre Dame（圣母大学）

我们感兴趣的是开发代理模型，用于不确定性量化和随机偏微分方程控制的问题的传播，使用深度卷积编码器-解码器网络，其方式与深度学习中考虑的图像到图像回归任务的方法类似。由于普通神经网络是数据密集型的，不能提供预测的不确定性，我们提出了一种卷积神经网络的贝叶斯方法。最近引入的基于Stein方法的变分梯度下降算法被扩展到深度卷积网络，以对数百万个不确定的网络参数执行近似贝叶斯推断。与贝叶斯神经网络中的其他方法以及包括高斯过程和集成方法的技术相比，即使当训练数据大小相对较小时，该方法也在预测准确性和不确定性量化方面实现了最先进的性能。为了评估这种方法的性能，我们考虑标准的不确定性量化基准问题，包括在有限的数据驱动的渗透率实现方面定义的非均匀介质中的流动。代理模型开发的性能是非常好的，即使有没有基本的结构之间共享的输入（渗透率）和输出（流量/压力）字段，通常是在计算机视觉问题中使用的图像到图像的回归模型的情况下。研究的基础随机输入维数高达$4,225$，其中大多数其他不确定性量化方法失败。不确定性传播任务被认为是预测输出贝叶斯统计相比，与蒙特卡洛估计。

2018-01-21cs.CVcs.LGphysics.comp-ph

增强的自适应代理模型及其在纳米等离子体不确定性量化中的应用

Enhanced adaptive surrogate models with applications in uncertainty quantification for nanoplasmonics

我们提出了一个有效的替代建模技术的不确定性量化。该方法是基于一个著名的尺寸自适应配置计划。我们通过保角映射和伴随误差校正来增强稀疏多项式代理，从而改进了该方案。该方法适用于麦克斯韦的源问题与随机输入数据。该设置包括来自计算纳米等离子体的当前感兴趣的许多应用，例如光栅耦合器或光波导。使用一个非平凡的基准模型，我们使用增强的代理模型通过各种数值研究的优点和缺点。所提出的策略使我们能够进行彻底的不确定性分析，考虑到适度大量的随机参数。

2020-05-19cs.CEcs.NAmath.NA