ترجمه فارسی مقاله جایگزین عصبی HMC: همیلتونی شتاب‌یافته مونت کارلو با درستنمایی جایگزین شبکه عصبی

چکیده

Bayesian Inference with Markov Chain Monte Carlo requires efficient computation of the likelihood function. In some scientific applications, the likelihood must be computed by numerically solving a partial differential equation, which can be prohibitively expensive. We demonstrate that some such problems can be made tractable by amortizing the computation with a surrogate likelihood function implemented by a neural network. We show that this has two additional benefits: reducing noise in the likelihood evaluations and providing fast gradient calculations. In experiments, the approach is applied to a model of heliospheric transport of galactic cosmic rays, where it enables efficient sampling from the posterior of latent parameters in the Parker equation.

چکیده به فارسی (ترجمه ماشینی)

استنباط بیزی با زنجیره مارکوف مونت کارلو نیاز به محاسبه کارآمد عملکرد احتمال دارد.در برخی از کاربردهای علمی ، احتمال آن باید با حل عددی یک معادله دیفرانسیل جزئی محاسبه شود ، که می تواند بسیار گران باشد.ما نشان می دهیم که با استهلاک محاسبات با یک عملکرد احتمال جانشینی که توسط یک شبکه عصبی اجرا می شود ، می توان چنین مشکلاتی را با استفاده از یک عملکرد احتمال جانشین قابل اجرا کرد.ما نشان می دهیم که این دو مزیت اضافی دارد: کاهش نویز در ارزیابی های احتمال و ارائه محاسبات شیب سریع.در آزمایشات ، این رویکرد به یک مدل از حمل و نقل هلیوسفر از پرتوهای کیهانی کهکشانی اعمال می شود ، جایی که نمونه برداری کارآمد را از خلفی پارامترهای نهفته در معادله پارکر امکان پذیر می کند.