Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Numerical realization of the Bayesian inversion accelerated using surrogate models

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68145535%3A_____%2F23%3A00571878" target="_blank" >RIV/68145535:_____/23:00571878 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://dml.cz/bitstream/handle/10338.dmlcz/703185/PANM_21-2022-1_6.pdf" target="_blank" >https://dml.cz/bitstream/handle/10338.dmlcz/703185/PANM_21-2022-1_6.pdf</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.21136/panm.2022.03" target="_blank" >10.21136/panm.2022.03</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Numerical realization of the Bayesian inversion accelerated using surrogate models

  • Popis výsledku v původním jazyce

    The Bayesian inversion is a natural approach to the solution of inverse problems based on uncertain observed data. The result of such an inverse problem is the posterior distribution of unknown parameters. This paper deals with the numerical realization of the Bayesian inversion focusing on problems governed by computationally expensive forward models such as numerical solutions of partial differential equations. Samples from the posterior distribution are generated using the Markov chain Monte Carlo (MCMC) methods accelerated with surrogate models. A surrogate model is understood as an approximation of the forward model which should be computationally much cheaper. The target distribution is not fully replaced by its approximation. Therefore, samples from the exact posterior distribution are provided. In addition, non-intrusive surrogate models can be updated during the sampling process resulting in an adaptive MCMC method. The use of the surrogate models significantly reduces the number of evaluations of the forward model needed for a reliable description of the posterior distribution. Described sampling procedures are implemented in the form of a Python package.

  • Název v anglickém jazyce

    Numerical realization of the Bayesian inversion accelerated using surrogate models

  • Popis výsledku anglicky

    The Bayesian inversion is a natural approach to the solution of inverse problems based on uncertain observed data. The result of such an inverse problem is the posterior distribution of unknown parameters. This paper deals with the numerical realization of the Bayesian inversion focusing on problems governed by computationally expensive forward models such as numerical solutions of partial differential equations. Samples from the posterior distribution are generated using the Markov chain Monte Carlo (MCMC) methods accelerated with surrogate models. A surrogate model is understood as an approximation of the forward model which should be computationally much cheaper. The target distribution is not fully replaced by its approximation. Therefore, samples from the exact posterior distribution are provided. In addition, non-intrusive surrogate models can be updated during the sampling process resulting in an adaptive MCMC method. The use of the surrogate models significantly reduces the number of evaluations of the forward model needed for a reliable description of the posterior distribution. Described sampling procedures are implemented in the form of a Python package.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10102 - Applied mathematics

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/TK02010118" target="_blank" >TK02010118: Predikce vlastností EDZ s vlivem na bezpečnost a spolehlivost hlubinného úložiště radioaktivního odpadu.</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Programs and Algorithms of Numerical Mathematics 21 : Proceedings of Seminar

  • ISBN

    978-80-85823-73-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    12

  • Strana od-do

    25-36

  • Název nakladatele

    Institute of Mathematics CAS Prague

  • Místo vydání

    Praha

  • Místo konání akce

    Jablonec nad Nisou

  • Datum konání akce

    19. 6. 2022

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku