Fizik bilgili sinir ağları (PINNs), son yıllarda kısmi diferansiyel denklemlerle yönetilen ters problemleri çözme konusunda umut verici bir yöntem olarak öne çıktı. Ancak özellikle türbülanslı akış alanlarını seyrek verilerden yeniden oluştururken önemli bir eksiklik yaşanıyordu: mevcut PINN formülasyonları deterministik olduğu için güvenilir belirsizlik ölçümleri sağlayamıyordu.
Araştırmacılar bu sorunu çözmek için üç farklı yaklaşımı birleştiren yeni bir probabilistik framework geliştirdi. İlk olarak, Hamiltonian Monte Carlo örneklemesi ve temperli çok bileşenli olasılık fonksiyonu kullanan Bayesian PINN'ler yer alıyor. İkinci bileşen Monte Carlo dropout yöntemi, üçüncüsü ise fonksiyon uzayında çeşitliliği zorunlu kılan itici derin topluluklar.
Bu yeni yaklaşımın en kritik yanı, ensemble çeşitliliği ve olasılık temperleme işleminin belirsizlik quantifikasyonunu iyileştirmedeki rolü. Özellikle veri odaklı Reynolds-ortalamalı Navier-Stokes (RANS) modellemesi gibi kötü konumlandırılmış problemlerde bu belirsizlik ölçümü hayati önem taşıyor.
Türbülans modellemesindeki bu gelişme, havacılık endüstrisi, rüzgar enerjisi tasarımı ve iklim modellemesi gibi alanlarda daha güvenilir simülasyonlar yapılmasına olanak sağlayabilir. Araştırma, yapay zekanın fizik problemlerini çözerken karşılaştığı güvenilirlik sorununa önemli bir çözüm getiriyor.