High-Dimensional Bayesian Calibration of Expensive Nuclear Models with Differentiable Emulation
Cet article introduit DREAM, une stratégie d'émulation différentiable qui permet un étalonnage bayésien efficace, basé sur le gradient, de modèles nucléaires coûteux en compressant hors ligne des opérateurs hérités dépendants des paramètres, permettant ainsi aux méthodes de Monte Carlo hamiltonien de converger rapidement vers des distributions postérieures de haute dimension avec des gradients de vraisemblance exacts à un coût computationnel minimal.