📄 Quick Note¶

摘要概述¶

本文在 Probabilistic Numerics 框架下提出一种 Probabilistic Meshless Method (PMM)，通过在 PDE 解上放置 Gaussian process 先验、并对 forcing 项在若干 design points 处取值进行 Bayesian 条件化，从而得到 PDE 解的 posterior measure，用以刻画离散化误差带来的不确定性。将此 PMM 作为 forward solver 嵌入 Bayesian inverse problem 的 likelihood，通过 marginalise u 把 forward solver 的不确定性以 additive covariance Σ 的形式注入观测协方差，使得在粗网格下反问题推断更为保守（更宽、更不偏倚）。论文给出了 forward/inverse 两层的收敛率定理，并在一维 Poisson 及二维稳态 Allen–Cahn（非线性、多解）反问题上验证：相比 symmetric collocation / finite element 这类 plug-in solver，PMM 在粗离散下给出更稳健的参数后验。

关键图表¶

Figure 1：一维 PDE 下从 PMM posterior 抽样的样本路径，mA=10 vs mA=40，直观展示设计点增多后后验不确定性收缩。
Figure 3：反问题中 θ 的后验分布对比（PMM 左 vs plug-in collocation 右）——plug-in 在粗网格下后验尖锐且偏倚、与设计点数无关；PMM 在粗网格下后验宽平、随 mA 增大才集中于真值，体现 solver 误差被正确传播。
Figure 5：Allen–Cahn 非线性反问题中 δ 的后验，PMM（左）相较 finite-element plug-in（右）在粗网格下同样表现出更保守、随加密而收窄的行为。

与我的关联¶

PMM 把"数值求解器误差"显式建模为可传播的不确定性，思路与我在 SMC G&R 中处理 forward model 近似/网格误差对参数估计的影响相通；若反问题推断对网格敏感，可借鉴其"likelihood 协方差注入 solver posterior covariance Σ"的做法做稳健性诊断。