AI na Matatizo Magumu ya Ulimwengu · Fizikia · arXiv · 2026-10-23
Kutokuwa na Uhakika Mwaminifu katika Matatizo Kinzani Yanayotegemea ML: GPs, NNs na NTKs kwa Triplet PDF
Kichwa asilia: Faithful Uncertainties in ML-Based Inverse Problems: GPs, NNs and NTKs for the Triplet PDF
Suluhisho za kujifunza kwa mashine kwa matatizo kinyume ya fizikia zinahitaji kutokuwa na uhakika kunakoaminika, si tu thamani nzuri za kati. Kwa kutumia mpangilio wa jaribio la kufunga (closure-test) kwa ajili ya kuunda upya usambazaji wa triplet isiyo-singlet T3 kutoka kwa data ya mtawanyiko usio na kina (deep-inelastic scattering), waandishi walilinganisha michakato ya Gaussian, makundi ya mitandao ya neva na kernel za tangent za neva za kimajaribio (empirical neural tangent kernels). Mbinu zenye thamani za kati zinazofanana zilitoa kutokuwa na uhakika tofauti sana, kulikodhibitiwa na jinsi covariance ya likelihood inavyoshughulikiwa, prior ya kiutendaji na hatua ya mafunzo, na upimaji wa ulinganifu ulitegemea uhusiano wa utabiri badala ya upana wa kila nukta.