Buchumschlag

An Efficient Bayesian Framework for Inverse Problems via Optimization and Inversion: Surrogate Modeling, Parameter Inference, and Uncertainty Quantification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chiappetta, Mihaela, Carraturo, Massimo, Raßloff, Alexander, Kästner, Markus, Auricchio, Ferdinando
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computational Engineering, Finance, and Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data-informed uncertainty quantification for laser-based powder bed fusion additive manufacturing
von: Chiappetta, Mihaela, et al.
Veröffentlicht: (2023)

Data‐informed uncertainty quantification for laser‐based powder bed fusion additive manufacturing
von: Mihaela Chiappetta, et al.
Veröffentlicht: (2024)

Bayesian Parameter Inference and Uncertainty Quantification for a Computational Pulmonary Hemodynamics Model Using Gaussian Processes
von: Kachabi, Amirreza, et al.
Veröffentlicht: (2025)

Sensor Informativeness, Identifiability, and Uncertainty in Bayesian Inverse Problems for Structural Health Monitoring
von: Bakeer, Tammam, et al.
Veröffentlicht: (2025)

Partitioned Surrogates and Thompson Sampling for Multidisciplinary Bayesian Optimization
von: Baars, Susanna, et al.
Veröffentlicht: (2024)

Exact Conditional Score-Guided Generative Modeling for Amortized Inference in Uncertainty Quantification
von: Zhang, Zezhong, et al.
Veröffentlicht: (2025)

Non-parametric Inference for Diffusion Processes: A Computational Approach via Bayesian Inversion for PDEs
von: Kruse, Maximilian, et al.
Veröffentlicht: (2024)

Reliable Uncertainty Quantification for Fiber Orientation in Composite Molding Processes using Multilevel Polynomial Surrogates
von: Salatovic, Stjepan, et al.
Veröffentlicht: (2024)

Reliability-Based Design Optimization Incorporating Extended Optimal Uncertainty Quantification
von: Miska, Niklas, et al.
Veröffentlicht: (2024)

Uncertainty Quantification in Calibration and Simulation of Thermo-Chemical Curing of Epoxy Resins
von: Tröger, Jendrik-Alexander, et al.
Veröffentlicht: (2026)

Local Information Operators for Spatial Identifiability in Distributed-Parameter Inverse Problems in Computational Mechanics
von: Bakeer, Tammam
Veröffentlicht: (2026)

Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems
von: Sun, Haoran, et al.
Veröffentlicht: (2025)

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

Embedded Model Form Uncertainty Quantification with Measurement Noise for Bayesian Model Calibration
von: Arcones, Daniel Andrés, et al.
Veröffentlicht: (2024)

Parameter Efficient Fine-Tuning for Deep Learning-Based Full-Waveform Inversion
von: Ghosal, Koustav, et al.
Veröffentlicht: (2024)

Data-efficient inverse design of spinodoid metamaterials
von: Rosenkranz, Max, et al.
Veröffentlicht: (2025)

A physics-augmented neural network framework for finite strain incompressible viscoelasticity
von: Kalina, Karl A., et al.
Veröffentlicht: (2025)

A Black Box Variational Inference Scheme for Inverse Problems with Demanding Physics-Based Models
von: Rei, G. Robalo, et al.
Veröffentlicht: (2025)

Bayesian Optimization under Uncertainty for Training a Scale Parameter in Stochastic Models
von: Yadav, Akash, et al.
Veröffentlicht: (2025)

A Memory Efficient Adjoint Method to Enable Billion Parameter Optimization on a Single GPU in Dynamic Problems
von: Herrmann, Leon, et al.
Veröffentlicht: (2025)

Intrusive and Non-Intrusive Model Order Reduction for Airborne Contaminant Transport: Comparative Analysis and Uncertainty Quantification
von: Kühn, Lisa, et al.
Veröffentlicht: (2026)

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

Optimal Experimental Design of a Moving Sensor for Linear Bayesian Inverse Problems
von: Aretz, Nicole, et al.
Veröffentlicht: (2025)

Efficient Parameter Calibration of Numerical Weather Prediction Models via Evolutionary Sequential Transfer Optimization
von: Fang, Heping, et al.
Veröffentlicht: (2026)

Conditional Uncertainty Quantification of Stochastic Dynamical Structures Considering Measurement Conditions
von: Wu, Feng, et al.
Veröffentlicht: (2024)

Stochastic Deep Learning Surrogate Models for Uncertainty Propagation in Microstructure-Properties of Ceramic Aerogels
von: Islam, Md Azharul, et al.
Veröffentlicht: (2025)

Multi-Physics Inverse Design of Varifocal Optical Devices using Data-Driven Surrogates and Differential Modeling
von: Jin, Zeqing, et al.
Veröffentlicht: (2025)

Fast and Accurate Bayesian Optimization with Pre-trained Transformers for Constrained Engineering Problems
von: Rosen, et al.
Veröffentlicht: (2024)

On the robustness of Dirichlet-Neumann coupling schemes for fluid-structure-interaction problems with nearly-closed fluid domains
von: Aissa-Berraies, A., et al.
Veröffentlicht: (2025)

Efficient Multi-Objective Constrained Bayesian Optimization of Bridge Girder
von: Røstum, Heine Havneraas, et al.
Veröffentlicht: (2025)

Neural networks meet anisotropic hyperelasticity: A framework based on generalized structure tensors and isotropic tensor functions
von: Kalina, Karl A., et al.
Veröffentlicht: (2024)

AI Driven Laser Parameter Search: Inverse Design of Photonic Surfaces using Greedy Surrogate-based Optimization
von: Grbcic, Luka, et al.
Veröffentlicht: (2024)

Focal Mechanism Uncertainty Quantification In Ground Motion Simulations Of Le Teil Earthquake
von: Soto, Valeria, et al.
Veröffentlicht: (2025)

A Physics-Aware Variational Graph Autoencoder for Joint Modal Identification with Uncertainty Quantification
von: Nath, Bhargav, et al.
Veröffentlicht: (2026)

A data-driven multiscale scheme for anisotropic finite strain magneto-elasticity
von: Roth, Heinrich T., et al.
Veröffentlicht: (2025)

A dual-stage constitutive modeling framework based on finite strain data-driven identification and physics-augmented neural networks
von: Linden, Lennart, et al.
Veröffentlicht: (2025)

Multi-granularity Score-based Generative Framework Enables Efficient Inverse Design of Complex Organics
von: Chen, Zijun, et al.
Veröffentlicht: (2024)

Machine Learning Surrogates for Optimizing Transportation Policies with Agent-Based Models
von: Natterer, Elena, et al.
Veröffentlicht: (2025)

Data-Driven Surrogate Modeling Techniques to Predict the Effective Contact Area of Rough Surface Contact Problems
von: Sahin, Tarik, et al.
Veröffentlicht: (2025)

GUIDe: Generative and Uncertainty-Informed Inverse Design for On-Demand Nonlinear Functional Responses
von: Mu, Haoxuan Dylan, et al.
Veröffentlicht: (2025)