High-Dimensional Bayesian Calibration of Expensive Nuclear Models with Differentiable Emulation
본 논문은 레거시 파라미터 의존 연산자를 오프라인에서 압축함으로써 비용이 많이 드는 핵 모델의 효율적인 경사 기반 베이지안 보정(Bayesian calibration)을 가능하게 하여, 해밀토니안 몬테카를로 방법이 최소한의 계산 비용으로 정확한 우도 기울기를 가진 고차원 사후 분포에 빠르게 수렴할 수 있도록 하는 미분 가능한 에뮬레이션 전략인 DREAM을 소개한다.