On the Bayesian calibration of computer model mixtures through experimental data, and the design of predictive models

برای بسیاری از سیستم های واقعی چندین مدل کامپیوتری با فیزیک و توانایی های پیش بینی متفاوت وجود دارد. برای دستیابی به شبیه سازی ها / پیش بینی های دقیق تر، این مدل ها به طور مناسب ترکیب و کالیبراسیون مطلوب است. ما پیشنهاد کالیبراسیون بیزی روش ترکیبی مدل کامپیوتری را ارائه می دهیم که بر ایده نمایندگی خروجی واقعی سیستم به عنوان مخلوطی از خروجی های مدل کامپیوتر موجود با توابع وزن وابسته ورودی ناشناخته است. این روش یک مدل پیش بینی کاملا بیزی را به عنوان یک شبیه ساز برای خروجی واقعی سیستم با ترکیب، وزن گیری و کالیبراسیون مدل های موجود در چارچوب باینز ایجاد می کند. علاوه بر این، آن را به مخلوطی از مدل های کامپیوتری کالیبراسیون که می تواند توسط دانشمند دامنه به عنوان وسیله ای برای ترکیب مدل های کامپیوتری در دسترس، به شیوه انعطاف پذیر و اصولی، و انجام شبیه سازی قابل اعتماد، متناسب باشد. این می تواند موارد واقع بینانه ای را که یک مدل ممکن است دقیق تر از دیگران با مقادیر مختلف ورودی باشد، به کار برد، زیرا وزن مخلوط، نشان دهنده سهم هر مدل، عملکرد ورودی است. استنتاج در پارامترهای کالیبراسیون می تواند چند مدل کامپیوتری مرتبط با فیزیک مختلف را در نظر بگیرد. این روش نیازی به دانستن سفارشات وفاداری مدل ها ندارد. ما یک تکنیک را قادر می سازیم که سربارهای محاسباتی را با توجه به مدل های متعدد کامپیوتری که برای چارچوب مدل مخلوط مناسب است، کاهش دهیم. ما روش پیشنهادی را در یک برنامه دنیای واقعی دربرگیریم که شامل مدل آب و هوا و پیش بینی آب و هوا در مقیاس بزرگ است.