High-Dimensional Bayesian Calibration of Expensive Nuclear Models with Differentiable Emulation
Este artículo presenta DREAM, una estrategia de emulación diferenciable que permite la calibración bayesiana eficiente basada en gradientes de modelos nucleares costosos mediante la compresión fuera de línea de operadores heredados dependientes de parámetros, permitiendo así que los métodos de Monte Carlo Hamiltoniano converjan rápidamente en posteriores de alta dimensión con gradientes de verosimilitud exactos al mínimo costo computacional.