物理信息驱动的逆向学习如何通过残差校准不确定性实现无损认证与筛选

Ronald Katende提出一种面向偏微分方程（PDE）逆问题的物理信息驱动无损认证与筛选框架，仅当学习重建的残差校准不确定性半径不劣于基线时才予以接受，否则返回基线。该框架结合数据、物理、边界或初始条件及优化残差，提供重建误差界和确定性不确定性半径，并通过数值实验验证筛选效果。该论文已撤回。