
-
生物通官微
陪你抓住生命科技
跳动的脉搏
双层局部算子学习框架B-BiLO用于偏微分方程反问题的不确定性量化
《Nature Communications》:Bayesian bilevel operator learning with low-rank adaptation for efficient uncertainty quantification of PDE inverse problems
【字体: 大 中 小 】 时间:2026年09月20日 来源:Nature Communications 18.1
编辑推荐:
摘要偏微分方程反问题中的不确定性量化在许多应用中至关重要。科学机器学习和人工智能能够实现数据驱动的模型组件学习,同时保留物理结构,并为新兴成像技术和临床洞察提供了所需的可扩展性和适应性。我们开发了一个用于偏微分方程贝叶斯推断的双层局部算子学习框架(B-BiLO)。在高层,我们
偏微分方程反问题中的不确定性量化在许多应用中至关重要。科学机器学习和人工智能能够实现数据驱动的模型组件学习,同时保留物理结构,并为新兴成像技术和临床洞察提供了所需的可扩展性和适应性。我们开发了一个用于偏微分方程贝叶斯推断的双层局部算子学习框架(B-BiLO)。在高层,我们通过哈密顿蒙特卡洛方法从后验分布中采样参数;在低层,我们通过低秩适应(LoRA)微调神经网络,以局部逼近解算子。B-BiLO无需合成数据或伴随方程即可实现高效的基于梯度的采样,并通过确定性优化权重避免了像贝叶斯神经网络那样在高维权重空间中进行采样。我们分析了近似低层优化产生的误差,并确定了它们对后验精度的影响。跨偏微分方程模型的数值实验,包括肿瘤生长模型,证明B-BiLO能够实现准确且高效的不确定性量化。