ترجمه فارسی مقاله کمی سازی عدم قطعیت کلی در بازسازی مبتنی بر فیزیک فیزیولوژی CVSim-6

چکیده

When predicting physical phenomena through simulation, quantification of the total uncertainty due to multiple sources is as crucial as making sure the underlying numerical model is accurate. Possible sources include irreducible aleatoric uncertainty due to noise in the data, epistemic uncertainty induced by insufficient data or inadequate parameterization, and model-form uncertainty related to the use of misspecified model equations. Physics-based regularization interacts in nontrivial ways with aleatoric, epistemic and model-form uncertainty and their combination, and a better understanding of this interaction is needed to improve the predictive performance of physics-informed digital twins that operate under real conditions. With a specific focus on biological and physiological models, this study investigates the decomposition of total uncertainty in the estimation of states and parameters of a differential system simulated with MC X-TFC, a new physics-informed approach for uncertainty quantification based on random projections and Monte-Carlo sampling. MC X-TFC is applied to a six-compartment stiff ODE system, the CVSim-6 model, developed in the context of human physiology. The system is analyzed by progressively removing data while estimating an increasing number of parameters and by investigating total uncertainty under model-form misspecification of non-linear resistance in the pulmonary compartment. In particular, we focus on the interaction between the formulation of the discrepancy term and quantification of model-form uncertainty, and show how additional physics can help in the estimation process. The method demonstrates robustness and efficiency in estimating unknown states and parameters, even with limited, sparse, and noisy data. It also offers great flexibility in integrating data with physics for improved estimation, even in cases of model misspecification.

چکیده به فارسی (ترجمه ماشینی)

هنگام پیش بینی پدیده های فیزیکی از طریق شبیه سازی ، کمیت عدم قطعیت کل به دلیل منابع متعدد به همان اندازه مهم است که اطمینان حاصل شود که مدل عددی اساسی دقیق است.منابع احتمالی شامل عدم قطعیت aleatoric غیرقابل برگشت به دلیل نویز در داده ها ، عدم اطمینان معرفتی ناشی از داده های ناکافی یا پارامتر ناکافی و عدم اطمینان مدل مربوط به استفاده از معادلات مدل غلط است.منظم سازی مبتنی بر فیزیک به روش های غیر متعارف با عدم اطمینان ، معرفتی و مدل شکل و ترکیب آنها در تعامل است و درک بهتر این تعامل برای بهبود عملکرد پیش بینی کننده دوقلوهای دیجیتال آگاه از فیزیک که تحت شرایط واقعی عمل می کنند ، لازم است.این مطالعه با تمرکز ویژه بر روی مدلهای بیولوژیکی و فیزیولوژیکی ، تجزیه عدم قطعیت کل در تخمین حالت ها و پارامترهای یک سیستم دیفرانسیل شبیه سازی شده با MC X-TFC ، یک رویکرد جدید فیزیک آگاهانه برای تعیین کمیت عدم اطمینان بر اساس پیش بینی های تصادفی و بررسی می کند.نمونه گیری مونت کارلو.MC X-TFC برای یک سیستم شش ضلعی سخت اود ، مدل CVSIM-6 ، که در زمینه فیزیولوژی انسان ایجاد شده است ، اعمال می شود.این سیستم با از بین بردن تدریجی داده ها در حالی که تعداد فزاینده ای از پارامترها را تخمین می زند و با بررسی عدم اطمینان کامل تحت اشتباه مدل مدل مقاومت غیرخطی در محفظه ریوی ، تجزیه و تحلیل می شود.به طور خاص ، ما بر تعامل بین تدوین اصطلاح اختلاف و تعیین عدم اطمینان مدل تمرکز می کنیم و نشان می دهیم که چگونه فیزیک اضافی می تواند در فرآیند تخمین کمک کند.این روش نشان دهنده استحکام و کارآیی در برآورد حالت ها و پارامترهای ناشناخته ، حتی با داده های محدود ، پراکنده و پر سر و صدا است.همچنین انعطاف پذیری بسیار خوبی در ادغام داده ها با فیزیک برای تخمین بهبود یافته ، حتی در موارد غلط مدل سازی مدل ارائه می دهد.