محققان در مقالهای جدید، چهارچوب ارزیابی نوآورانهای به نام «TRIE» را برای مدلهای جانشین (Surrogate Models) در حل معادلات دیفرانسیل تصادفی (SPDE) معرفی کردهاند.
این ابزار به متخصصان کمک میکند تا بفهمند آیا مدلهای هوش مصنوعی در پیشبینی سیستمهای پیچیده و پرهرجومرج علمی، واقعاً قابلاعتماد هستند یا خیر. نتیجه این پژوهش نشان میدهد که مدلهای زایشی (Generative Models) در حفظ دقت آماری و عدم قطعیت، عملکرد بهمراتب بهتری نسبت به روشهای سنتی دارند. یک گام بزرگ برای کاربرد دقیقتر هوش مصنوعی در علوم پایه! 🧬💻
سازی
منبع: arXiv Machine Learning
