不确定性量化贝叶斯反演数据同化反问题

不确定性量化与贝叶斯反演

面向物理场景的不确定性量化与反问题合集:UQ 方法、贝叶斯推断与反演、数据同化与集合同化、贝叶斯优化,并附后验评测基准。

更新于 2026年11月3日 共 25 个资源
导语

为什么做这个合集

物理 AI 走进工程决策时,单一预测值是不够的 —— 你需要知道这个预测有多可信,以及在什么条件下会失效。不确定性量化(UQ)回答第一个问题,贝叶斯反演回答第二个:给我观测,反推参数。

这两件事在工程上高度耦合。反演问题的本质是「用代理模型跑成千上万次前向求解」,而每一次前向求解都有误差,这些误差会被贝叶斯框架显式地积分进后验分布里。

本合集覆盖的谱系:

  • UQ 方法:从高斯过程、深度集成分布到流匹配与可解释代表树;
  • 贝叶斯推断与反演:变分方法、摊销后验采样,以及地震全波形反演这类大规模工程应用;
  • 数据同化与集合同化:把观测与仿真融合,是气象与海洋预报的核心技术;
  • 贝叶斯优化与设计:在昂贵仿真上做黑箱优化,是代理模型最直接的商业价值出口。

如果你是第一次接触这个方向,建议从「评测基准与工程教程」组进入 —— 先学会怎么评估一个后验分布,再去比较方法,否则很容易被漂亮的样本图误导。

评测基准与工程教程 3 个资源

💬 编辑点评: PosteriorBench 是目前少见的专门评估「后验分布质量」的基准,正好补上这一方向最缺的评测手段

基于采样代价的近瞬时潜空间贝叶斯优化方法

通用科学ML
提出一种近瞬时潜空间贝叶斯优化方法,通过采样代替传统顺序决策的昂贵计算开销,适配生成式模型驱动的逆设计流程。
见LICENSE文件 贝叶斯优化潜空间优化生成式设计
💬 编辑点评: 从采样代价角度重构潜空间贝叶斯优化,对「后验采样太慢」这个实际瓶颈给出直接解法

神经算子:从理论到应用——科学计算实践入门

综述 / 学习资料
聚焦实践的神经算子教程,覆盖 DeepONet / FNO / PCANet 的高层概念与训练策略,并在 Poisson 与线弹性问题上对比架构差异,还演示了作为贝叶斯反演代理的应用,是工程化落地的入门读物。
arXiv 预印本(版权归作者) 神经算子DeepONetFNO
💬 编辑点评: 教程里直接演示了神经算子作为贝叶斯反演代理的用法,是理解「代理 + 反演」组合最快的入口

不确定性量化方法 8 个资源

测试时训练流匹配实现物理系统贝叶斯滤波

通用科学ML
提出在测试时通过流匹配模型学习贝叶斯滤波后验分布,为高维物理系统状态估计提供连续分布表示的解决方案。
见LICENSE文件 状态估计流匹配贝叶斯滤波
💬 编辑点评: 测试时训练 + 流匹配实现物理系统贝叶斯滤波,把 UQ 与状态估计合并处理

超越点预测:带不确定性量化的人工代表树

通用科学ML
提出将人工代表树与Mondrian保角预测系统结合,实现单棵决策树同时提供连续预测、预测区间和概率分布输出的可解释ML方法。
见LICENSE文件 决策树可解释机器学习不确定性量化

神经CAE代理模型的不确定性量化研究

通用科学ML
研究几何条件化神经代理模型中不确定性量化方法的表现,对比封闭形式与采样方法在跨几何形状、流场预测和工程量上的有效性。
见LICENSE文件 神经代理模型不确定性量化CAE仿真
💬 编辑点评: 神经 CAE 代理模型的不确定性量化研究 —— 直接针对工业界最关心的「代理模型能不能信」

三重可扩展等变高斯过程建模

通用科学ML
提出三重可扩展的等变高斯过程方法,在编码对称性的同时保持概率预测与不确定性量化能力,适用于大规模科学计算问题。
见LICENSE文件 高斯过程等变神经网络不确定性量化

IASC-ASCE 结构健康监测基准与物理信息损伤识别

结构健康监测 / 损伤识别 / 基准数据集
IASC-ASCE 四层钢框架 SHM 基准(12/120 自由度双模型、六种损伤模式)与物理信息损伤识别方法。本文复核基准几何、噪声设定与指标口径,并纠正此前条目的悬索桥与剩余寿命等失实表述。
新 various(论文版权归作者;数据按任务组条款分发) 结构健康监测损伤识别基准数据集

多输入变量计算机实验中的保序代理建模

通用科学ML
面向粒子碰撞、火箭推进等物理系统的计算机实验,提出利用单调性信息的贝叶斯代理建模方法,以提升有限样本下的仿真替身建模效率。
见LICENSE文件 贝叶斯代理模型保序回归单调性约束

贝叶斯推断与反演 8 个资源

左心室区域材料参数的贝叶斯推断代理建模策略

生物力学/计算医学
提出基于贝叶斯代理模型的框架,从心脏MRI推断左心室五区Holzapfel-Ogden材料参数,突破心肌同质化假设的限制,实现区域性心肌功能障碍的个性化建模。
见LICENSE文件 心脏生物力学贝叶斯推断代理模型

OpenFWI:地震全波形反演的多结构基准数据集

地球物理 / 反问题
洛斯阿拉莫斯国家实验室团队的地震全波形反演基准,12 套数据集共 2.1TB,覆盖界面、断层、风格与 CO2 封存四族结构,配套四种深度学习方法的基线与跨域泛化分析。
新 代码为 BSD 3-Clause(Copyright (c) 2022, Los Alamos National Laboratory);数据为 CC BY-NC-SA 4.0 地球物理反问题地震
💬 编辑点评: OpenFWI 是地震全波形反演的开源实现,规模大、耦合强,是检验反演栈性能的现实标尺
💬 编辑点评: 摊销贝叶斯逆问题中变分目标函数的研究,重点在后验条件化 —— 理解摊销反演的关键文献

数据同化与集合同化 5 个资源

💬 编辑点评: 数据同化与强化学习结合,是电力系统方向少见的完整闭环案例
💬 编辑点评: FREESIA 用协方差感知后验传输实现可扩展数据同化,面向高维问题是当前主流思路
💬 编辑点评: 保持非高斯的平滑器,在强非线性观测下比高斯近似更可靠

贝叶斯优化与设计 1 个资源

基于贝叶斯优化的城市冠层模型热缓解策略权衡分析

热传导/热管理
针对城市热应力问题,采用贝叶斯优化与代理模型框架分析城市冠层热缓解策略的参数范围,平衡白天空气温度、夜间空气温度和UTCI等热指标间的权衡关系。
见LICENSE文件 城市热岛贝叶斯优化代理模型