L'IA face aux grands problèmes du monde · Physique · arXiv · 2026-10-23
Des incertitudes fiables dans les problèmes inverses basés sur l'apprentissage automatique : processus gaussiens, réseaux de neurones et NTK pour la PDF triplet
Titre original: Faithful Uncertainties in ML-Based Inverse Problems: GPs, NNs and NTKs for the Triplet PDF
Les solutions d'apprentissage automatique pour les problèmes inverses en physique exigent des incertitudes fidèles, et pas seulement de bonnes valeurs centrales. À l'aide d'un test de fermeture pour la reconstruction de la distribution triplet non singulet T3 à partir de données de diffusion profondément inélastique, les auteurs ont comparé des processus gaussiens, des ensembles de réseaux de neurones et des noyaux tangents neuronaux empiriques. Des méthodes aux valeurs centrales similaires ont donné des incertitudes très différentes, déterminées par le traitement de la covariance dans la vraisemblance, l'a priori fonctionnel et l'étape d'entraînement, et l'étalonnage dépendait des corrélations prédictives plutôt que de la largeur ponctuelle.