الانحدار متعدد الدقة باستخدام الشبكات العصبية الاصطناعية: تقريب فعال لكميات الناتج المعتمدة على المعلمات

غالبًا ما تكون التجارب العددية أو الفيزيائية ذات الدقة العالية تستغرق وقتًا طويلاً أو مكلفة جدًا للحصول عليها. عندما تمنع قيود الوقت أو الميزانية توليد بيانات إضافية، قد تكون كمية العينات المتاحة محدودة جدًا لتوفير نتائج نموذج مرضية. تتعامل طرق متعددة الدقة مع مثل هذه المشكلات من خلال دمج المعلومات من مصادر أخرى، والتي تكون مثالية لمتطلبات قوية ذات ارتباط جيد بالبيانات ذات الدقة العالية، ولكن يمكن الحصول عليها بتكلفة أقل. من خلال الاستفادة من الارتباطات بين مجموعات البيانات المختلفة، تنتج طرق متعددة الدقة غالبًا تعميمًا متفوقًا مقارنة بالنماذج المعتمدة فقط على كمية صغيرة من بيانات الدقة العالية. في العمل الحالي، نقدم استخدام الشبكات العصبية الاصطناعية المطبقة على مشكلات الانحدار متعدد الدقة. من خلال توضيح بعض الأساليب الموجودة، نقترح معمارية جديدة للشبكات العصبية لمشكلات الانحدار متعدد الدقة. تتم مقارنة النماذج المقدمة مع مخطط الانحدار متعدد الدقة التقليدي - التقدير المشترك. تم تقديم مجموعة من المعايير الاصطناعية لقياس أداء النماذج التي تم تحليلها. تظهر النتائج أن التحقق المتقاطع بالاشتراك مع التحسين البايزي يؤدي إلى نماذج شبكات عصبية تتفوق على مخطط التقدير المشترك. بالإضافة إلى ذلك، نظهر تطبيق الانحدار متعدد الدقة على مشكلة هندسية. يتم اعتبار انتشار موجة ضغط داخل جرس صوتي بشكل مأخذ ومعامل تردد محدد، ويتم تقريبه باستخدام نماذج متعددة الدقة المقترحة. تم اعتماد نموذج عنصر نهائي كامل الترتيب ونموذج منخفض الترتيب تم بناؤه من خلال طريقة القاعدة المخفضة كنموذج ذو دقة عالية ومنخفضة على التوالي. يظهر أن الشبكات العصبية متعددة الدقة تعيد مخرجات تحقق دقة قابلة للمقارنة مع تلك الناتجة عن النموذج الكامل المكلف، باستخدام عدد قليل جدًا من التقييمات الكاملة مع كمية أكبر من التقييمات غير الدقيقة ولكن الرخيصة لنموذج الترتيب المخفض.