Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads

多保真度模型在工程领域中越来越普遍，特别是在航空航天领域，因为它们结合了低保真度模型的计算效率和高保真度模拟的高精度。目前有各种先进技术用于融合来自不同保真度来源的数据，包括共Kriging和神经网络中的迁移学习。本文旨在实现一个多保真度贝叶斯神经网络模型，应用迁移学习来融合由不同保真度模型生成的数据。贝叶斯神经网络使用网络权重的概率分布，使其能够提供预测以及其置信度的估计。这种方法利用了神经网络的预测和数据融合能力，同时量化了不确定性。结果表明，多保真度贝叶斯模型在整体精度和对未见数据的鲁棒性方面优于最先进的共Kriging技术。

本论文旨在实现一种多保真贝叶斯神经网络模型，应用转移学习来融合不同保真度模型生成的数据，以解决工程领域中的多保真度建模问题。

本文提出的多保真贝叶斯神经网络模型利用神经网络的预测和数据融合能力，同时量化不确定性，通过对网络权重的概率分布进行建模，提供了预测和置信度估计。相比于现有的Co-Kriging方法，该模型在整体准确性和对未知数据的鲁棒性方面表现更优。

本文的亮点包括：提出了一种多保真度贝叶斯神经网络模型，应用了转移学习来融合不同保真度模型生成的数据；通过对网络权重的概率分布进行建模，提供了预测和置信度估计；实验结果表明，该模型在整体准确性和对未知数据的鲁棒性方面表现更优。

在这个领域中，最近的相关研究包括：使用Co-Kriging方法进行多保真度建模的研究，以及其他应用贝叶斯神经网络进行不确定性建模的研究，如《Bayesian Neural Networks for Uncertainty Estimation and Out-of-Distribution Detection》。