[论文解读] Mathematical Basis for Physical Inference

Albert Tarantola, Klaus Mosegaard|ArXiv.org|Sep 20, 2000

Neural Networks and Applications参考文献 5被引用 9

一句话总结

本文提出了一套形式化的数学框架，用于物理推断，通过用参数空间上的概率分布替代解析物理理论，并使用'或'和'与'操作来构建推断结构。该框架能够一致地处理预测和反问题中的不确定性，为经典外推物理提供了一种系统化、基于实证的替代方法。

ABSTRACT

While the axiomatic introduction of a probability distribution over a space is common, its use for making predictions, using physical theories and prior knowledge, suffers from a lack of formalization. We propose to introduce, in the space of all probability distributions, two operations, the OR and the AND operation, that bring to the space the necessary structure for making inferences on possible values of physical parameters. While physical theories are often asumed to be analytical, we argue that consistent inference needs to replace analytical theories by probability distributions over the parameter space, and we propose a systematic way of obtaining such "theoretical correlations", using the OR operation on the results of physical experiments. Predicting the outcome of an experiment or solving "inverse problems" are then examples of the use of the AND operation. This leads to a simple and complete mathematical basis for general physical inference.

研究动机与目标

• 通过用物理参数空间上的概率分布替代确定性函数关系，形式化物理推断。
• 解决用于推断的概率空间中缺乏正式结构的问题，特别是处理不确定性和信息组合的问题。
• 提供一种系统化方法，利用贝叶斯概率分布从实验数据中推导理论相关性。
• 通过概率运算整合数据、先验知识和物理理论，实现反问题和预测的一致求解。
• 建立一种形式化体系，避免经典物理的外推假设，同时在观测到的参数范围内保持预测能力。

提出的方法

• 在概率分布上引入两种基本操作——'或'和'与'，以构建类似实数代数运算的结构化推断空间。
• 使用'或'操作将独立的实验结果合并为参数上的联合概率分布，推广了直方图构建方法。
• 使用'与'操作整合多个信息源（如数据和先验知识），通过贝叶斯定理建模条件推断。
• 将物理理论定义为表示参数之间观测相关性的概率分布，而非确定性方程。
• 使用联合概率密度 ρ(i,d) 和条件密度 σ(i,d) 来建模独立参数(i)与依赖参数(d)之间的依赖关系。
• 通过公式 σ(i,d) = θ(i,d)ρ(i,d)/μ(i,d) 从 ρ(i,d) 和边缘分布 μ(i,d) 推导条件密度 σ(i,d)，其中 θ(i,d) 表示数据的信息量。

实验结果

研究问题

• RQ1 如何以一种一致处理数据和理论模型中不确定性的形式化方式，实现物理推断？
• RQ2 在概率框架中系统组合实验结果、先验知识和物理理论，需要怎样的数学结构？
• RQ3 是否能通过统一的概率运算推导出反问题的解，而无需依赖解析近似？
• RQ4 如何通过用实证导出的概率分布替代确定性理论，来克服经典物理中外推的局限性？
• RQ5 在构建物理参数的连贯推断空间中，'或'和'与'操作的作用是什么？

主要发现

• '或'和'与'操作在概率分布上的引入，为物理推断提供了完整且一致的数学结构，类似于实数上的代数运算。
• 该方法通过'与'操作结合数据和先验知识，一致地求解反问题，得到反映不确定性的后验分布。
• '或'操作能够系统地将独立的实验结果合并为参数上的联合概率分布，有效从实证数据构建理论相关性。
• 该框架通过拒绝使用'='表示物理相关性，转而以具有固有不确定性的概率分布表示，避免了经典物理的陷阱。
• 当忽略不确定性时，该方法与最小二乘法等既定方法一致，但可扩展至经典方法失效的非线性和不一致情形。
• 该形式化自然处理某些参数约束不足的情况（表现为大或无穷的误差条），防止了分析理论中常见的不合理外推。