arXiv cs.LG·40 天前★ 2

神经CAE代理模型的预测不确定性

原文标题：Predictive Uncertainty for Neural CAE Surrogates

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文研究将既有不确定性量化（UQ）方法适配到几何条件神经代理模型时的表现，比较高斯过程、Monte Carlo dropout与深度集成三类方法。在DrivAerStar、AirFRANS与汽车碰撞三个工业级CAE数据集上评估不确定性的量级可信度、误差定位能力与对陌生输入的响应。结果显示各方法相对表现随数据集与评估标准变化，UQ方法与指标应依据下游CAE决策来选择。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 几何条件神经CAE代理模型的不确定性估计是否可信、能否指导设计决策。
方法: 在三个工业级CAE数据集上对比高斯过程、Monte Carlo dropout与深度集成三类UQ方法，考察量级可信度、误差定位与陌生输入响应。
结果: DrivAerStar上各方法均给高误差位置更高不确定性，验证集重标定后区间覆盖率接近名义值；AirFRANS与碰撞数据上方法相对优劣随数据集和指标变化。
影响: CAE代理模型落地设计流程时，UQ方法与评估指标须按下游决策选，不能默认通用。