Om de voorspelbaarheid van complexe computermodellen te verbeteren, heeft een team van kernfysici en statistici een nieuwe statistische methode voorgesteld. Deze methode maakt gebruik van een statistisch proces genaamd de stelling van Bayes om de waarschijnlijkheid van een hypothese te herzien wanneer nieuwe gegevens worden verkregen. Het werk is gepubliceerd in het tijdschrift Scientific Reports .

Het resulterende machine learning-framework maakt gebruik van de zogenaamde Dirichlet-distributie. Dit statistische proces combineert de resultaten van verschillende imperfecte modellen. De onderzoekers demonstreerden het vermogen van de voorgestelde mengtechnieken om gegevens over kernmassa's te verzamelen.

Dit onderzoek heeft aangetoond dat mondiale en lokale mengsels van modellen uitstekend presteren wat betreft zowel de nauwkeurigheid van hun voorspellingen als de kwantificering van de onzekerheid. Deze mengsels lijken de voorkeur te hebben boven de klassieke Bayesiaanse modelmiddeling, de conventionele aanpak. Bovendien geeft de analyse van de onderzoekers aan dat het verbeteren van modelvoorspellingen door eenvoudig mengen tot robuustere extrapolaties leidt dan het mengen van gecorrigeerde modellen.

Meer informatie: Vojtech Kejzlar et al, Lokale Bayesiaanse Dirichlet-mix van imperfecte modellen, Wetenschappelijke rapporten (2023). DOI:10.1038/s41598-023-46568-0

Journaalinformatie: Wetenschappelijke rapporten

Aangeboden door het Amerikaanse ministerie van Energie