DOI: https://doi.org/10.1063/5.0316853
PMID: https://pubmed.ncbi.nlm.nih.gov/41860354
تاريخ النشر: 2026-03-01
المؤلف: Jeremy Drew وآخرون
الموضوع الرئيسي: الخصائص الحرارية للمواد
نظرة عامة
تتجه مجتمع النقل الحراري بشكل متزايد نحو تحديد عدم اليقين (UQ) بدقة في القياسات، وتدعو هذه الدراسة إلى تقدير المعلمات البايزية (BPE) كإطار فعال لكل من التحليل وUQ. يقدم المؤلفون دليلًا شاملاً لتقنية BPE، بما في ذلك الشيفرة لتكرار نتائجهم، ويطبقونها لقياس التوصيل الحراري لواجهة الذهب/الياقوت باستخدام تقنية الانعكاس الحراري في نطاق التردد (FDTR). يقارنون BPE مع طرق UQ التقليدية، مشيرين إلى مزاياها مثل تحسين القابلية للتفسير، والقدرة على تحديد الافتراضات المدخلة غير الصحيحة، ونهج متوازن لجودة الملاءمة والمعرفة السابقة لقيم المعلمات.
في الختام، يظهر BPE كأداة قوية لتقدير المعلمات وUQ، مقدماً فوائد كبيرة مقارنة بالطرق التقليدية. فهو لا يوفر فقط نتائج قابلة للتفسير – مثل تحديد الأخطاء في المعلمات المدخلة مثل سمك طبقة الذهب – ولكنه أيضًا يستوعب التفاعلات متعددة المتغيرات، مما يؤدي إلى تحليل أكثر موثوقية من الأساليب التقليدية التي تفترض استقلال المعلمات. إن دمج معلومات جودة الملاءمة يقلل من عدم اليقين ويمكن أن يحول قيم الملاءمة الأفضل، مما يشير إلى أن BPE يؤثر على كل من الاستنتاجات وتقديرات الخطأ. بالإضافة إلى ذلك، يسمح BPE بدمج المعلومات الخارجية بمستويات ثقة قابلة للتعديل، مما يحقق تقليلاً كبيرًا في متوسط مربع الخطأ (MSE) ويقدم نتائج أكثر منطقية جسديًا من تلك الناتجة عن التحسين غير المقيد.
مقدمة
تؤكد المقدمة على الأهمية الحاسمة للقياسات الدقيقة للخصائص الحرارية لتصميم واختيار المواد في تطبيقات متنوعة، لا سيما في مجالات الحوسبة والطيران والطاقة. وتبرز أن معظم تقنيات القياس تعتمد على نماذج فيزيائية لتحويل القياسات المباشرة، مثل ارتفاع درجة الحرارة، إلى خصائص حرارية مثل التوصيل الحراري. تتطلب هذه النماذج معرفة بعدة متغيرات نظام، المشار إليها باسم “المدخلات المعرفة خارجيًا”، والتي تقدم عدم يقين يمكن أن يؤثر بشكل كبير على قياسات الخصائص الحرارية الناتجة. تعقد حساسية استنتاجات الخصائص الحرارية تجاه عدم اليقين الصغير تصميم النظام واختيار المواد.
تحدد هذه الفقرة قيود طرق تحديد عدم اليقين التقليدية (UQ) وتقترح تقدير المعلمات البايزية (BPE) كبديل قوي. يستخدم BPE نظرية بايز لإنشاء مشهد احتمالي لقيم المعلمات مع استيعاب عدة متغيرات مدخلة. يجادل المؤلفون بأن BPE يعالج عدة متطلبات لتناسب النموذج الفعال وUQ، بما في ذلك النظر في قيم المدخلات البديلة، والتقاط الارتباطات بين المتغيرات، وسهولة التنفيذ. تمهد المقدمة الطريق لتطبيق BPE لتحديد التوصيل الحراري الواجهوي لواجهة الذهب/الياقوت باستخدام تقنية الانعكاس الحراري في نطاق التردد (FDTR)، وهي تقنية تسمح بقياسات الخصائص الحرارية بدون اتصال بينما تتطلب معرفة بعدة مدخلات معرفة خارجيًا.
طرق
تحدد فقرة الطرق تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث استخدموا طرقًا إحصائية لتحليل البيانات المجمعة من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لملاحظة آثارها على النتائج ذات الصلة.
شملت جمع البيانات مقاييس نوعية وكمية، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما سهل تطبيق النماذج المناسبة لتفسير النتائج بدقة. تؤكد الفقرة على صرامة الطرق المستخدمة، مما يضمن موثوقية وصلاحية النتائج المقدمة في الدراسة.
نتائج
في هذه الفقرة، يقدم المؤلفون نتائج تحليل تقدير المعلمات البايزية (BPE) الخاصة بهم، مع التركيز على التوصيل الحراري للواجهة ($G$) ومعلمات أخرى تتعلق بنقل الحرارة في عينة. في البداية، يقدرون $G$ باستخدام أولويات مفاجئة للمعلمات المتبقية، تليها تحليل شامل يتضمن جميع المعلمات الأربعة مع كل من الأولويات الموحدة والغوسية. تشمل النتائج، الملخصة في الجدول I، قيم معرفة خارجيًا، والانحرافات المعيارية، وحدود المحاكاة للمعلمات مثل حجم بقعة الليزر، وسمك الركيزة، والتوصيلات الحرارية. يشير المؤلفون إلى أن الأولوية الغوسية تؤثر على المشهد الاحتمالي متعدد المعلمات بأكمله، مما يؤثر على الارتباطات بين المعلمات ويقيد المناطق ذات الاحتمالية العالية.
يكشف تحليل مونت كارلو (MC)، الذي تم إجراؤه على نفس مجموعة البيانات، عن توزيع أوسع للتوصيلات الحرارية للواجهة مقارنةً بـ BPE، ويرجع ذلك أساسًا إلى عدم اعتبار الملاءمة في نهج MC. من خلال تطبيق حد لمتوسط مربع الخطأ (MSE) في تحليل MC، يلاحظ المؤلفون تقليص انتشار التوزيع، مما يجعله أقرب إلى نتائج BPE. يشير هذا إلى أن مجموعة أصغر من قيم المدخلات تعكس بدقة السلوك التجريبي. بالإضافة إلى ذلك، يبرز المؤلفون أنه بينما تقيد الأولوية الغوسية مساحة الحل، إلا أنها لا تضر بشكل كبير بجودة الملاءمة، كما يتضح من الاتفاق الوثيق بين توقعات النموذج والقياسات التجريبية عبر أنواع الأولويات المختلفة.
مناقشة
في قسم المناقشة من الورقة، يقارن المؤلفون بين طريقتين بارزتين لتناسب النموذج: الانحدار بأقل المربعات (LSR) وتقدير المعلمات البايزية (BPE). يتميز LSR بتركيزه على تقليل مجموع الأخطاء المربعة (SSE) بين البيانات المقاسة وتوقعات النموذج، مما يؤدي إلى قيم معلمات مستنتجة قد لا تعكس بشكل كافٍ عدم اليقين أو عيوب النموذج. يبرز المؤلفون أنه بينما يوفر LSR نموذجًا واحدًا بأفضل ملاءمة، إلا أنه يمكن أن يتجاهل المشهد الأوسع لتوليفات المعلمات والشكوك المرتبطة بها.
على النقيض من ذلك، يوفر BPE إطارًا أكثر شمولاً من خلال تقييم مساحة المعلمات بالكامل، مما يسمح بدمج المعرفة السابقة والمعالجة الصريحة لعدم اليقين في القياسات. يستخدم BPE دالة احتمال، عادةً غوسية، لربط المتبقيات بالاحتمالات، مما يولد توزيعًا احتماليًا لتقديرات المعلمات بدلاً من قيمة واحدة. لا يلتقط هذا النهج الارتباطات متعددة المتغيرات فحسب، بل يعدل أيضًا تأثير القياسات بناءً على تباينها، مما يعزز قوة المعلمات المستنتجة. يؤكد المؤلفون أن قدرة BPE على دمج المعلومات الخارجية وعدم اليقين توفر فهمًا أكثر دقة للنظام الذي يتم نمذجته، وهو أمر مفيد بشكل خاص في السيناريوهات المعقدة مثل قياسات التوصيل الحراري الواجهوي التي تم مناقشتها في الورقة.
DOI: https://doi.org/10.1063/5.0316853
PMID: https://pubmed.ncbi.nlm.nih.gov/41860354
Publication Date: 2026-03-01
Author(s): Jeremy Drew et al.
Primary Topic: Thermal properties of materials
Overview
The thermal transport community is increasingly focusing on rigorous uncertainty quantification (UQ) in measurements, and this study advocates for Bayesian parameter estimation (BPE) as an effective framework for both analysis and UQ. The authors provide a comprehensive guide to the BPE technique, including code for replicating their results, and apply it to measure the thermal conductance of a gold/sapphire interface using frequency-domain thermoreflectance (FDTR). They compare BPE with traditional UQ methods, highlighting its advantages such as enhanced interpretability, the ability to identify incorrect input assumptions, and a balanced approach to goodness of fit and prior knowledge of parameter values.
In conclusion, BPE emerges as a robust tool for parameter estimation and UQ, offering significant benefits over conventional methods. It not only provides interpretable results—such as identifying inaccuracies in input parameters like gold layer thickness—but also accommodates multivariable interactions, leading to a more reliable analysis than traditional approaches that assume parameter independence. The incorporation of fit quality information further reduces uncertainty and can shift best-fit values, indicating that BPE influences both conclusions and error estimates. Additionally, BPE allows for the integration of external information with adjustable confidence levels, achieving a substantial reduction in mean squared error (MSE) and yielding results that are more physically plausible than those from unconstrained optimization.
Introduction
The introduction emphasizes the critical importance of accurate thermal property measurements for the design and material selection in various applications, particularly in computing, aerospace, and energy sectors. It highlights that most measurement techniques rely on physical models to convert direct measurements, such as temperature rise, into thermal properties like thermal conductivity. These models necessitate knowledge of several system variables, referred to as “externally defined inputs,” which introduce uncertainty that can significantly affect the resulting thermal property measurements. The sensitivity of thermal property conclusions to small uncertainties complicates system design and material selection.
The section outlines the limitations of traditional uncertainty quantification (UQ) methods and proposes Bayesian parameter estimation (BPE) as a robust alternative. BPE utilizes Bayes’ theorem to create a probability landscape for parameter values while accommodating multiple input variables. The authors argue that BPE addresses several desiderata for effective model fitting and UQ, including the consideration of alternative input values, capturing variable correlations, and ease of implementation. The introduction sets the stage for applying BPE to determine the interfacial thermal conductance of a gold/sapphire interface using frequency domain thermoreflectance (FDTR), a technique that allows for non-contact thermal property measurements while requiring knowledge of various externally defined inputs.
Methods
The Methods section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical methods to analyze the data collected from various experiments. Specific methodologies included controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved both qualitative and quantitative measures, ensuring a comprehensive understanding of the phenomena under investigation. The analysis was conducted using advanced statistical software, which facilitated the application of appropriate models to interpret the results accurately. The section emphasizes the rigor of the methods used, ensuring the reliability and validity of the findings presented in the study.
Results
In this section, the authors present the results of their Bayesian Parameter Estimation (BPE) analysis, focusing on the interface thermal conductance ($G$) and other parameters related to heat transfer in a sample. Initially, they estimate $G$ using spike priors for the remaining parameters, followed by a comprehensive analysis incorporating all four parameters with both uniform and Gaussian priors. The results, summarized in Table I, include externally defined values, standard deviations, and simulation bounds for parameters such as laser spot size, substrate thickness, and thermal conductivities. The authors note that the Gaussian prior influences the entire multiparameter probability landscape, affecting correlations between parameters and constraining high-probability regions.
The Monte Carlo (MC) analysis, conducted on the same dataset, reveals a broader distribution of interface thermal conductances compared to BPE, primarily due to the lack of fit consideration in the MC approach. By applying a mean squared error (MSE) cutoff in the MC analysis, the authors observe a reduction in the spread of the distribution, aligning it closer to the BPE results. This suggests that a smaller subset of input values accurately reflects the experimental behavior. Additionally, the authors highlight that while the Gaussian prior constrains the solution space, it does not significantly compromise the fit quality, as evidenced by the close agreement between model predictions and experimental measurements across different prior types.
Discussion
In the discussion section of the paper, the authors compare two prominent methods for model fitting: Least-Squares Regression (LSR) and Bayesian Parameter Estimation (BPE). LSR is characterized by its focus on minimizing the sum of squared errors (SSE) between measured data and model predictions, leading to inferred parameter values that may not adequately reflect uncertainties or model inadequacies. The authors highlight that while LSR provides a single best-fit model, it can overlook the broader landscape of parameter combinations and their associated uncertainties.
In contrast, BPE offers a more comprehensive framework by evaluating the entire parameter space, allowing for the incorporation of prior knowledge and the explicit treatment of uncertainties in measurements. BPE utilizes a likelihood function, typically Gaussian, to relate residuals to probabilities, thereby generating a probability distribution for parameter estimates rather than a single value. This approach not only captures multi-variable correlations but also adjusts the influence of measurements based on their variability, enhancing the robustness of the inferred parameters. The authors emphasize that BPE’s ability to incorporate external information and uncertainties provides a more nuanced understanding of the system being modeled, which is particularly beneficial in complex scenarios like the interfacial thermal conductance measurements discussed in the paper.