ИИ и сложнейшие проблемы мира · Физика · arXiv · 2026-10-23
Достоверные неопределённости в обратных задачах на основе МО: гауссовские процессы, нейронные сети и NTK для триплетной PDF
Оригинальное название: Faithful Uncertainties in ML-Based Inverse Problems: GPs, NNs and NTKs for the Triplet PDF
Решения обратных задач физики на основе машинного обучения требуют достоверных неопределённостей, а не только хороших центральных значений. Используя схему замыкающего теста для восстановления несинглетного триплетного распределения T3 по данным глубоконеупругого рассеяния, авторы сравнили гауссовские процессы, ансамбли нейронных сетей и эмпирические нейронные тангенциальные ядра. Методы с близкими центральными значениями давали сильно различающиеся неопределённости, которые определялись учётом ковариации в функции правдоподобия, функциональным априорным распределением и стадией обучения, а калибровка зависела от корреляций предсказаний, а не от поточечной ширины.