Fast Emulation, Modular Calibration, and Active Learning for Simulators with Functional Response
函数响应模拟器的快速仿真、模块化校准与主动学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用模拟器和函数数据代理模型，时间输出本身不足以支持计量时间序列分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
函数响应模拟器的快速仿真、模块化校准与主动学习
- 研究问题
- 面对大量模拟运行及稠密的空间或时间函数输出，如何降低高斯过程代理模型的计算负担，并支持模拟器的快速校准？
- 方法与思路
- 作者构建局部高斯过程代理模型，利用全局长度尺度估计缩放输入空间，再将快速近似方法用于函数响应模拟器校准。
- 材料陈述的贡献
- 摘要称，该方法显著提高预测速度并减少计算成本，应用于两万次运行的多物理流体动力学模拟器，且已在 FlaGP 中实现。
- 阅读关注点
- 应核对局部样本选择、全局长度尺度估计、校准中的不确定性处理，以及题名所述主动学习在全文中的具体实现和作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供误差与速度对比数值，也未说明主动学习及模块化校准的细节。
原文摘要
Scalable surrogate models enable efficient emulation of computer models (or simulators), particularly when dealing with large ensembles of runs. While Gaussian process (GP) models are commonly employed for emulation, they face limitations in scaling to large datasets. Furthermore, when dealing with dense functional output, such as spatial or time-series data, additional complexities arise, requiring careful handling to ensure fast emulation. This work presents a highly scalable emulator for functional data incorporating local Gaussian process regression. The emulator utilizes global GP lengthscale parameter estimates to scale the input space, leading to a substantial improvement in prediction speed. We demonstrate that our fast approximation-based emulator can serve as a viable alternative to a fully Bayesian approach for functional response, while drastically reducing computational costs. The proposed emulator is applied to quickly calibrate a multiphysics continuum hydrodynamics simulator with a large ensemble of 20000 runs. The methods presented are implemented in the R package FlaGP.