Linear partial differential equations (PDEs) are an important, widely applied class of mechanistic models, describing physical processes such as heat transfer, electromagnetism, and wave propagation. In practice, specialized numerical methods based on discretization are used to solve PDEs. They generally use an estimate of the unknown model parameters and, if available, physical measurements for initialization. Such solvers are often embedded into larger scientific models with a downstream application and thus error quantification plays a key role. However, by ignoring parameter and measurement uncertainty, classical PDE solvers may fail to produce consistent estimates of their inherent approximation error. In this work, we approach this problem in a principled fashion by interpreting solving linear PDEs as physics-informed Gaussian process (GP) regression. Our framework is based on a key generalization of the Gaussian process inference theorem to observations made via an arbitrary bounded linear operator. Crucially, this probabilistic viewpoint allows to (1) quantify the inherent discretization error; (2) propagate uncertainty about the model parameters to the solution; and (3) condition on noisy measurements. Demonstrating the strength of this formulation, we prove that it strictly generalizes methods of weighted residuals, a central class of PDE solvers including collocation, finite volume, pseudospectral, and (generalized) Galerkin methods such as finite element and spectral methods. This class can thus be directly equipped with a structured error estimate. In summary, our results enable the seamless integration of mechanistic models as modular building blocks into probabilistic models by blurring the boundaries between numerical analysis and Bayesian inference.


翻译:线性偏微分方程是一类重要且广泛应用于物理过程中的机理模型,描述了热传递、电磁学和波传播等现象。在实践中,通常采用基于离散化的专业数值方法来解决偏微分方程。它们通常使用未知模型参数的估计值和(如果可用)物理测量值进行初始化。这样的求解器通常嵌入到具有下游应用的较大科学模型中,因此误差量化起着关键作用。然而,忽略参数和测量不确定性,传统的偏微分方程求解器可能无法产生其固有近似误差的一致估计。在这项工作中,我们以一种原则性的方式来解决这个问题,将线性偏微分方程的求解解释为物理知识指导的高斯过程回归(GP回归)。我们的框架基于高斯过程推断定理对通过任意有界线性算子进行的观测的关键推广。关键在于,这种概率观点允许(1)量化固有离散化误差;(2)将关于模型参数的不确定性传播到解决方案中;(3)基于噪声测量进行条件性建模。通过演示这种形式的优势,我们证明了它严格泛化了加权残差的方法,这是包括插值、有限体积、赝谱和(广义)伽辽金方法(例如有限元和谱方法)在内的PDE求解器的核心类。因此,该类求解器可以直接配备有结构化的误差估计。总之,我们的结果通过模糊数值分析和贝叶斯推断之间的界限,使机理模型成为概率模型中的模块化构建单元,从而实现了机理模型的无缝集成。

0
下载
关闭预览

相关内容

高斯过程(Gaussian Process, GP)是概率论和数理统计中随机过程(stochastic process)的一种,是一系列服从正态分布的随机变量(random variable)在一指数集(index set)内的组合。 高斯过程中任意随机变量的线性组合都服从正态分布,每个有限维分布都是联合正态分布,且其本身在连续指数集上的概率密度函数即是所有随机变量的高斯测度,因此被视为联合正态分布的无限维广义延伸。高斯过程由其数学期望和协方差函数完全决定,并继承了正态分布的诸多性质
【2023新书】随机模型基础,815页pdf
专知会员服务
99+阅读 · 2023年5月10日
【2023新书】使用Python进行统计和数据可视化,554页pdf
专知会员服务
126+阅读 · 2023年1月29日
【2022新书】机器学习中的概率数值计算,412页pdf
专知会员服务
90+阅读 · 2022年7月7日
【2022新书】谱图理论,Spectral Graph Theory,100页pdf
专知会员服务
74+阅读 · 2022年4月15日
【KDD2021】图神经网络,NUS- Xavier Bresson教授
专知会员服务
62+阅读 · 2021年8月20日
专知会员服务
42+阅读 · 2020年12月18日
【ICML2022】可解释的心理学理论
专知
3+阅读 · 2022年5月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
数据分析师应该知道的16种回归方法:负二项回归
数萃大数据
74+阅读 · 2018年9月16日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
Arxiv
0+阅读 · 2023年5月22日
VIP会员
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
Top
微信扫码咨询专知VIP会员