Нейросети с сохранением физических законов: новый метод оценки неопределенности
Исследователи представили структуро-сохраняющие эпистемические нейросети (S-PENNs) — общий подход к оценке неопределённости в научных моделях машинного обучения с жёсткими архитектурными ограничениями. Работа опубликована на arXiv.
Стандартные методы количественной оценки неопределённости часто нарушают физические условия допустимости, требуют изменения архитектуры или оказываются слишком дорогими. S-PENNs решают эту задачу, присоединяя лёгкие дополнительные сети (эпи-сети) к ограниченным компонентам уже обученной модели, гарантируя, что каждая выборка остаётся физически допустимой.
В качестве приложения авторы выбрали динамику GENERIC — общее уравнение для неравновесных обратимых и необратимых процессов. Предложенная схема позволяет получать термодинамически согласованные траектории, которые сохраняют первое и второе начала термодинамики.
Для построения прогнозных интервалов с конечными гарантиями покрытия авторы объединили S-PENNs с раздельным конформным прогнозированием — методом пост-калибровки, который не требует дополнительного обучения и даёт статистически обоснованные интервалы.
Метод проверили на трёх численных примерах: гармонический осциллятор, связанный с тепловой баней, идеализированный химический двигатель (оба описываются обыкновенными дифференциальными уравнениями), а также одномерная вязкопластическая модель на основе уравнений в частных производных.
Во всех трёх случаях S-PENNs давали термодинамически согласованные стохастические реализации и хорошо откалиброванные прогнозные интервалы. При этом вычислительные затраты оказались на один-три порядка ниже, чем у глубоких ансамблей, что делает подход практичным для ресурсоёмких задач.
Хотя работа сосредоточена на динамике GENERIC, авторы отмечают, что S-PENNs можно применять и к другим моделям научного машинного обучения в вычислительной механике — как с жёсткими, так и с мягкими ограничениями.
