هم‌آوایی شبیه‌سازی و یادگیری ماشین از طریق SBI

ارائه‌دهندگان

Image

Name

Designation

Short Description

Social Links

Dr. S. M. Sadegh Movahed

Professor of Physics

Dr. Mohammad Jalali

Postdoctoral researcher

Mohammad Alakhras

Ph.D. student in cosmology

زمان برگزاری

این کارگاه روز 14 بهمن 1404 در دو بازه صبح و ظهر برگزار می‌شود.

اهداف کارگاه

در سال‌های اخیر، با گسترش ابزارهای نرم‌افزاری پیشرفته و رشد چشمگیر توان محاسباتی، استفاده از شبیه‌سازها به یکی از مهم‌ترین ابزارها برای آزمون مدل‌های نظری و پیش‌بینی رفتار سیستم‌ها در حوزه‌های متنوع علوم پایه و فنی–مهندسی تبدیل شده است.

با وجود این، برآورد و تحلیل آماری پارامترهای مدل بر اساس داده‌های شبیه‌سازی شده همواره با چالش‌هایی روبه‌روست؛ از جمله عدم امکان دستیابی به شکل صریح و دقیق تابع درست‌نمایی (Likelihood)، حجم عظیم داده‌ها و نیاز به ادغام نتایج شبیه‌سازی با داده‌های واقعی. استنتاج مبتنی بر شبیه‌سازی (SBI) رویکردی نوین برای رفع این چالش‌هاست که با بهره‌گیری از روش‌های یادگیری ماشین و الگوریتم‌های آماری، امکان استفاده مستقیم از داده‌های شبیه‌سازی و مشاهدات بدون نیاز به تابع درست‌نمایی صریح (Likelihood-Free Inference)، استخراج اطلاعات پارامترهای مدل و تخمین عدم‌قطعیت‌ها و ارزیابی توان مقیدسازی پارامترها توسط مشاهدات مختلف را فراهم می‌سازد.

از اینرو، به طور کلی اهداف ما در این کارگاه به شرح زیر است:

• آشنایی با اصول و چارچوب نظری SBI و مقایسه آن با روش‌های کلاسیک استنتاج آماری در تخمین پارامترهای مدل‌های فیزیکی.
• پیاده‌سازی عملی روش‌های استنتاج مستقل از تابع درست‌نمایی (likelihood-free inference) با استفاده از داده‌های واقعی و شبیه‌سازی‌های عددی.
• تحلیل حساسیت (Sensitivity Analysis) به‌منظور ارزیابی میزان اثرگذاری هر مشاهده یا ویژگی داده بر مقیدسازی پارامترها.

محورهای اصلی و تخصصی

در این کارگاه قصد داریم حداقل موارد زیر را آموزش دهیم:

1- مروری بر رهیافت‌های کلاسیک تحلیل داده
2- مروری بر رهیافت‌های مبتنی بر یادگیری ماشین تحلیل داده و استنتاج مبتنی بر شبیه‌سازی
3- کار با آماره‌های خلاصه (Summary Statistics) برای کاهش ابعاد داده‌های شبیه‌سازی و افزایش کارایی فرآیند استنتاج
4- تخمین تابع توزیع پسینی مستقل از تابع درستنمایی با استفاده از ابزار یادگیری ماشین

مراجع

Jalali Kanafi, M. H. & Movahed, S. M. S. “Quantifying Weighted Morphological Content of Large-Scale Structures via Simulation-Based Inference” arXiv preprint arXiv:2511.03636 (2025)
Bassett, Bruce A., et al. “Fisher matrix preloaded—Fisher4Cast.” International Journal of Modern Physics D 20.13 (2011): 2559-2598
Lewis, Antony. “GetDist: a Python package for analysing Monte Carlo samples.” arXiv preprint arXiv:1910.13970 (2019)
Tejero-Cantero, Alvaro, et al. “SBI–A toolkit for simulation-based inference.” arXiv preprint arXiv:2007.09114 (2020)

برنامه کارگاه

دستورالعمل کارگاه

تجهیزات لازم

همراه داشتن لپ‌تاپ برای شرکت در این کارگاه ضروری است.

اسلاید و ویدئوی سخنرانی‌ها

اطلاعات مرتبط