# 不确定性校准

纳米红外高光谱成像要在每个像素上逐点采集光谱，完整立方体耗时可达数小时。CACNP把稀疏采到的光谱与少量单波数结构图一起输入卷积—注意力条件神经过程，在合成立方体上训练后直接输出整块立方体及逐体素不确定度。在环氧中聚苯乙烯与聚甲基丙烯酸甲酯颗粒的实验数据上，仅用5%光谱即可重建，推理不到0.1秒，重建误差接近样品噪声水平。

纳米红外高光谱成像要在每个像素上逐点采集光谱，完整立方体耗时可达数小时。CACNP把稀疏采到的光谱与少量单波数结构图一起输入卷积—注意力条件神经过程，在合成立方体上训练后直接输出整块立方体及逐体素不确定度。在环氧中聚苯乙烯与聚甲基丙烯酸甲酯颗粒的实验数据上，仅用5%光谱即可重建，推理不到0.1秒，重建误差接近样品噪声水平。

概率型PDE神经代理在少步推理时常常过度自信，预测分布比真实不确定性窄。TORNADO把下一步预测写成相邻两个VAE编码后验之间的随机输运，并让扩散幅度由神经网络随潜状态给出，而不是沿用固定的全局噪声表。在Kolmogorov、KS、Burgers、Gray-Scott四个合成数据集上，固定5次网络评估时它的校准误差最低，相对代表性基线约缩小2倍到5倍以上，同时保持可比的预测精度。

概率型PDE神经代理在少步推理时常常过度自信，预测分布比真实不确定性窄。TORNADO把下一步预测写成相邻两个VAE编码后验之间的随机输运，并让扩散幅度由神经网络随潜状态给出，而不是沿用固定的全局噪声表。在Kolmogorov、KS、Burgers、Gray-Scott四个合成数据集上，固定5次网络评估时它的校准误差最低，相对代表性基线约缩小2倍到5倍以上，同时保持可比的预测精度。

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

材料与分子性质预测的主动学习常把高不确定性样本当作模型缺失的信息。形成能、带隙和溶解度三项任务上，不确定性分别来自损失景观采样与多种子重训集成，再用线性校准因子和神经网络校准。校准后的不确定性在分布外数据上通常未能减少模型改进所需的数据量，与随机抽样和未校准估计相比没有优势，且各方法误差棒相互重叠。

生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。

生物质烘焙的实验优化长期受制于实验成本与时间，传统单因素试验容易漏掉协同效应，全因子设计又很快变得不可行。一项研究用486条烘焙观测训练带自动相关性判定核的高斯过程回归代理模型，交叉验证R²在质量产率、高位热值和能量产率上分别为0.854、0.971和0.869，优于随机森林、支持向量回归和神经网络。在此基础上，一个把不确定性、质量产率与高位热值的期望改进按0.4/0.3/0.3加权、并加入多样性惩罚的采集函数，推荐出10组实验，温度覆盖200–315 °C、停留时间30–1089 s，全部落在常规烘焙区间内。