Multi-Fidelity Physics-Informed Neural Networks with Bayesian Uncertainty Quantification and Adaptive Residual Learning for Efficient Solution of Parametric Partial Differential Equations
Este artículo presenta MF-BPINN, un nuevo marco de fidelidad múltiple que integra la cuantificación de la incertidumbre bayesiana y el aprendizaje de residuos adaptativo para resolver eficientemente ecuaciones diferenciales parciales paramétricas mediante la combinación sinérgica de datos de alta fidelidad dispersos con abundantes simulaciones de baja fidelidad.