Buchumschlag

A Methodology to Identify Physical or Computational Experiment Conditions for Uncertainty Mitigation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yarbasi, Efe Y., Mavris, Dimitri N.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computational Engineering, Finance, and Science Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-Informed Machine Learning for Smart Additive Manufacturing
von: Sharma, Rahul, et al.
Veröffentlicht: (2024)

Multi-objective Combinatorial Methodology for Nuclear Reactor Site Assessment: A Case Study for the United States
von: Erdem, Omer, et al.
Veröffentlicht: (2024)

Computational Fluid Dynamics Optimization of F1 Front Wing using Physics Informed Neural Networks
von: Shah, Naval
Veröffentlicht: (2025)

A Framework for Strategic Discovery of Credible Neural Network Surrogate Models under Uncertainty
von: Singh, Pratyush Kumar, et al.
Veröffentlicht: (2024)

SHAP zero Explains Biological Sequence Models with Near-zero Marginal Cost for Future Queries
von: Tsui, Darin, et al.
Veröffentlicht: (2024)

Accurate and Reliable Uncertainty Estimates for Deterministic Predictions Extensions to Under and Overpredictions
von: Bandy, Rileigh, et al.
Veröffentlicht: (2026)

UncertainGen: Uncertainty-Aware Representations of DNA Sequences for Metagenomic Binning
von: Celikkanat, Abdulkadir, et al.
Veröffentlicht: (2025)

Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads
von: Vaiuso, Andrea, et al.
Veröffentlicht: (2024)

A Pretraining-Finetuning Computational Framework for Material Homogenization
von: Wang, Yizheng, et al.
Veröffentlicht: (2024)

GUST: Quantifying Free-Form Geometric Uncertainty of Metamaterials Using Small Data
von: Zheng, Jiahui, et al.
Veröffentlicht: (2025)

Heterogeneous Graph Representation of Stiffened Panels with Non-Uniform Boundary Conditions and Loads
von: Cai, Yuecheng, et al.
Veröffentlicht: (2025)

Toward AI-Driven Digital Twins for Metropolitan Floods: A Conditional Latent Dynamics Network Surrogate of the Shallow Water Equations
von: Si, Phillip, et al.
Veröffentlicht: (2026)

MANA-Net: Mitigating Aggregated Sentiment Homogenization with News Weighting for Enhanced Market Prediction
von: Wang, Mengyu, et al.
Veröffentlicht: (2024)

Multi-Grid Graph Neural Networks with Self-Attention for Computational Mechanics
von: Garnier, Paul, et al.
Veröffentlicht: (2024)

Applications of Machine Learning to Optimizing Polyolefin Manufacturing
von: Sharma, Niket, et al.
Veröffentlicht: (2024)

Overcoming the Loss Conditioning Bottleneck in Optimization-Based PDE Solvers: A Novel Well-Conditioned Loss Function
von: Cao, Wenbo, et al.
Veröffentlicht: (2025)

Physics-Informed Diffusion Models
von: Bastek, Jan-Hendrik, et al.
Veröffentlicht: (2024)

PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks
von: Zhao, Zhiyuan, et al.
Veröffentlicht: (2023)

Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator
von: Oddiraju, Manaswin, et al.
Veröffentlicht: (2024)

Exactness Matters for Physical Rule Enforcement
von: Kim, Bum Jun
Veröffentlicht: (2026)

Neural Modular Physics for Elastic Simulation
von: Li, Yifei, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Shell Structures
von: Bastek, Jan-Hendrik, et al.
Veröffentlicht: (2022)

PIVONet: A Physically-Informed Variational Neuro ODE Model for Efficient Advection-Diffusion Fluid Simulation
von: Cheung, Hei Shing, et al.
Veröffentlicht: (2026)

Financial Wind Tunnel: A Retrieval-Augmented Market Simulator
von: Cao, Bokai, et al.
Veröffentlicht: (2025)

Enforcing the Principle of Locality for Physical Simulations with Neural Operators
von: Chen, Jiangce, et al.
Veröffentlicht: (2024)

Physics-informed neural networks for parameter learning of wildfire spreading
von: Vogiatzoglou, Konstantinos, et al.
Veröffentlicht: (2024)

Physics-Informed Machine Learning for Grade Prediction in Froth Flotation
von: Nasiri, Mahdi, et al.
Veröffentlicht: (2024)

GenCP: Towards Generative Modeling Paradigm of Coupled Physics
von: Gao, Tianrun, et al.
Veröffentlicht: (2026)

An Attention-based Spatio-Temporal Neural Operator for Evolving Physics
von: Karkaria, Vispi, et al.
Veröffentlicht: (2025)

Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction
von: Gijón, Alfonso, et al.
Veröffentlicht: (2025)

Estimating Parameter Fields in Multi-Physics PDEs from Scarce Measurements
von: Li, Xuyang, et al.
Veröffentlicht: (2025)

Pretrained Video Models as Differentiable Physics Simulators for Urban Wind Flows
von: Perini, Janne, et al.
Veröffentlicht: (2026)

Physics-Enhanced Machine Learning: a position paper for dynamical systems investigations
von: Cicirello, Alice
Veröffentlicht: (2024)

Towards Foundation Model for Chemical Reactor Modeling: Meta-Learning with Physics-Informed Adaptation
von: Wang, Zihao, et al.
Veröffentlicht: (2024)

ML4PhySim : Machine Learning for Physical Simulations Challenge (The airfoil design)
von: Yagoubi, Mouadh, et al.
Veröffentlicht: (2024)

Physics-informed DeepONet with stiffness-based loss functions for structural response prediction
von: Ahmed, Bilal, et al.
Veröffentlicht: (2024)

Physics-Informed Deep Learning Model for Line-integral Diagnostics Across Fusion Devices
von: Wang, Cong, et al.
Veröffentlicht: (2024)

Form-Finding and Physical Property Predictions of Tensegrity Structures Using Deep Neural Networks
von: Chen, Muhao, et al.
Veröffentlicht: (2024)

Denoising diffusion models for inverse design of inflatable structures with programmable deformations
von: Karimi, Sara, et al.
Veröffentlicht: (2025)

Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design
von: Khan, Shahroz, et al.
Veröffentlicht: (2024)