KI und die schwierigen Probleme der Welt · Physik · arXiv · 2026-10-23
Verlässliche Unsicherheiten bei ML-basierten inversen Problemen: GPs, NNs und NTKs für die Triplet-PDF
Originaltitel: Faithful Uncertainties in ML-Based Inverse Problems: GPs, NNs and NTKs for the Triplet PDF
Lösungen physikalischer inverser Probleme mit maschinellem Lernen benötigen verlässliche Unsicherheiten, nicht nur gute Zentralwerte. Anhand eines Closure-Test-Aufbaus zur Rekonstruktion der Nicht-Singulett-Triplett-Verteilung T3 aus Daten der tiefinelastischen Streuung verglichen die Autoren Gauß-Prozesse, Ensembles neuronaler Netze und empirische Neural Tangent Kernels. Methoden mit ähnlichen Zentralwerten lieferten sehr unterschiedliche Unsicherheiten, die von der Behandlung der Kovarianz in der Likelihood, dem funktionalen Prior und der Trainingsphase bestimmt wurden, und die Kalibrierung hing von prädiktiven Korrelationen statt von der punktweisen Breite ab.