贝叶斯神经算子漏掉系统性误差:补上残差观测后,热断桥在线优化从178小时降到18分钟
核心概要
贝叶斯神经算子只把权重当作不确定来源,学到的算子与偏微分方程解之间仍留有随训练数据增加而不消失的系统性偏差。残差信息贝叶斯神经算子(RI-BNO)用控制方程残差的一步牛顿校正生成误差观测,训练一个概率化不足模型,并把它的均值与协方差并入似然。在反应扩散基准、胶质瘤MRI反演和三维热断桥风险优化中,它与有限元参考的吻合优于原版贝叶斯神经算子,且只用一半的全非线性或瞬态训练模拟;热断桥在线优化由约178小时降至18分钟。
深度剖析
神经算子的预测误差不只是权重不确定性,还包含来自有限维表示、架构限制和训练不充分的系统性偏差,这部分偏差在训练集扩大时仍会留下精度平台。 此前的贝叶斯神经算子只对有限训练数据引起的权重不确定性建模,预测分布仍以所选表示、架构和推断近似为条件,不显式表示算子与方程解算子之间的结构化差异。 在非线性反应扩散基准上,原版贝叶斯神经算子的潜子空间与DeepONet两种架构随观测预算增大分别趋近各自架构相关的精度上限,而RI-BNO改变了这一缩放行为,在更小的总观测预算下就达到更高精度。
RI-BNO把控制方程残差变成关于算子误差的额外观测,再用这些观测学一个随输入变化的概率化不足模型,其均值给出系统校正、协方差给出校正的不确定性。 残差观测由在神经算子预测处线性化的一步牛顿校正得到,不需要在该输入上生成完整的非线性有限元解;不足模型用稀疏变分高斯过程拟合,随后固定,并以其均值和协方差构造不足感知似然来重新推断权重后验。 在胶质瘤MRI反演中,同一预训练算子不做患者特异性重训,RI-BNO反演得到的肿瘤重建DICE为0.918,原版为0.724,有限元为0.932;在另外四例BraTS 2019患者上,RI-BNO平均DICE为0.912,原版为0.732,有限元为0.936。
把算子不足纳入下游推断与设计,改变的不只是前向精度,还包括反演出的参数场、尾部风险估计和最终选出的设计。 原版贝叶斯神经算子的前向偏差会传入反问题与优化:在热断桥设计中它生成过密的纤维网络,把响应推入隔热失效区间。 在三维热断桥的CVaR风险优化中,RI-BNO恢复出与有限元接近的纤维分布和尾部风险,在线优化时间由有限元的约178小时降到18分钟,端到端总成本比原版贝叶斯神经算子低17.4%。
启示与展望
演示范围限于一个非线性反应扩散基准、一例BraTS 2019轴位T1-CE胶质瘤MRI反演及另外四例患者的复用,以及一个三维纤维增强气凝胶热断桥的CVaR风险优化;所有比较都以有限元解为参考,而非临床或制造实测。
残差观测的局部误差界依赖稳定性与光滑性假设,且只针对不足学习与完整贝叶斯推断之前的估计量,作者明确它不构成全局保证,也不是最终后验的校准结果;高斯过程不足模型与模块化推断对权重与不足场之间的依赖做了近似处理。
