AI dan Masalah-Masalah Sulit Dunia · Ilmu komputer teoretis · arXiv · 2026-10-20
Kapan Fisika yang Murah Membantu? Jaringan Multi-Fidelity Physics-Informed Berbasis Gerbang dengan Penghematan Sampel yang Dapat Dibuktikan dan Jaminan Konformal
Judul asli: When Does Cheap Physics Help? Gated Multi-Fidelity Physics-Informed Networks with Provable Sample Savings and Conformal Guarantees
Simulasi fidelitas tinggi dari PDE parametrik mahal, sementara model fidelitas rendah yang murah bias, dan belum jelas kapan model-model tersebut benar-benar mengurangi jumlah penyelesaian fidelitas tinggi. Dipandu oleh analisis kompleksitas sampel, para penulis mengusulkan GaMF-PINN, sebuah jaringan physics-informed multi-fidelitas dengan mekanisme gerbang yang belajar di mana harus memercayai model fidelitas rendah dan kembali ke pembelajaran berbasis fisika saja di tempat lain, dipadukan dengan prosedur conformal tingkat fungsi yang menghasilkan pita ketidakpastian yang memuat seluruh solusi fidelitas tinggi dengan probabilitas setidaknya 1-alpha. Pada MFPDE-Bench yang dirilis, metode ini menyetarai PINN fidelitas tinggi standar dengan jumlah penyelesaian fidelitas tinggi hingga 8x lebih sedikit, tetap tangguh ketika model fidelitas rendah sengaja dirusak, dan mencapai cakupan nominal pada kondisi di mana PINN Bayes dan deep ensemble kurang memberikan cakupan.