Panel discussion: integrating data from multiple simulation models of different fidelity
Notice bibliographique
Résumé
Computer models are used to simulate physical processes in almost all areas of science and engineering. A single evaluation of these computation models (or computer codes) can take as little as a few seconds or as long as weeks or months. In either case, experimenters use the model outputs to learn something about the physical system. In some settings, outputs from several computational models, with varying levels of fidelity, are available to researchers. In addition, observations from the physical system may also be in hand. In this panel discussion we address issues relating to model formulation, estimation, prediction and extrapolation using multi-fidelity computer models are addressed. In the first presentation, Bayesian methods are used to build a predictive model using low and high fidelity computational models with different inputs and also field observations. The second presentation deals with the difficult computational issues facing computer model calibration and prediction using a Bayesian framework that are typically remedied through the use of Markov Chain Monte Carlo techniques. While the computational burden is substantial, we review faster alternatives to standard MCMC techniques that are particularly useful in the multi-fidelity simulator problem. In the final presentation, calibration of computational models is discussed in the context of validation and extrapolation, with introduction to developments in stochastic model calibration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,015 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,020 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».