Quantifizierung von Unsicherheiten — Polynom-Chaos und Kriging-Surrogate
- Eingeführt von
- Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
- Jahr
- Seminal modern form: 2002
- Typ
- Computational uncertainty analysis framework
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Quantifizierung von Unsicherheiten (UQ) ist ein rechnerischer Rahmen zur systematischen Messung, wie Unsicherheiten in den Eingaben eines Modells zu Unsicherheiten in seinen Ausgaben propagieren.
Aufbauend auf Wiens Polynom-Chaostheorie (1938) und formalisiert für allgemeine stochastische Probleme durch Xiu und Karniadakis (2002), verwendet UQ zwei primäre Strategien: Polynom-Chaos-Entwicklung (PCE), die die Modellausgabe als eine Reihe orthogonaler Polynome darstellt, die an die Eingangsverteilungen angepasst sind, und Kriging (Gaußsche Prozess)-Surrogate, die eine teure Simulation durch eine schnelle statistische Approximation ersetzen, die auf eine kleine Anzahl sorgfältig ausgewählter Läufe zugeschnitten ist.
Die Intuition hinter der Methode
Stellen Sie sich vor, Sie führen eine kostspielige Computersimulation durch – eine Finite-Elemente-Strukturanalyse oder ein Klimamodell – und Sie wissen, dass mehrere ihrer Eingaben keine präzisen Zahlen, sondern unsichere Größen sind, die aus Verteilungen gezogen werden. Die Simulation tausende Male mit zufälligen Eingaben (einfaches Monte-Carlo) durchzuführen, wäre genau, aber unerschwinglich langsam. UQ bietet einen intelligenteren Weg: Entweder die Ausgabe mathematisch als Polynomfunktion der unsicheren Eingaben (PCE) auszudrücken, so dass Mittelwert, Varianz und Sensitivitätsindizes analytisch folgen, oder ein billiges Surrogate-Modell (Kriging) auf einer kleinen Anzahl strategisch platzierter Simulationsläufe zu trainieren und dann mit vernachlässigbarem Aufwand aus dem Surrogate zu stichprobenartig zu ziehen. Beide Strategien verwandeln teure Black-Box-Simulationen in handhabbare Probleme, die es Ihnen ermöglichen, die Variabilität der Ausgabe zu quantifizieren und zu identifizieren, welche Eingaben den größten Teil dieser Variabilität antreiben.
Geschichte
Die mathematischen Wurzeln des Polynom-Chaos liegen in Wiens Theorie des homogenen Chaos (1938), die durch Brownsche Bewegung angetriebene Prozesse mittels Hermite-Polynom-Entwicklungen darstellte. Die Methode blieb weitgehend ein theoretisches Werkzeug, bis Ghanem und Spanos (1991) sie auf die stochastische Finite-Elemente-Analyse anwendeten. Die entscheidende Verallgemeinerung kam von Xiu und Karniadakis (2002), die zeigten, dass die optimale Polynombasis von der Eingangsverteilung abhängt – dem Wiener-Askey-Schema –, was eine effiziente PCE für eine breite Palette von Ingenieurproblemen ermöglichte. Gleichzeitig wurden Kriging-Surrogate, die ihren Ursprung in der Geostatistik (Krige, 1951; Matheron, 1963) haben und in der maschinellen Lernens als Gaußsche Prozess-Regression formalisiert wurden, zu einem Standardwerkzeug im Design von Computersimulationen. Smith (2013) lieferte die umfassende Synthese von UQ-Theorie, Implementierung und Anwendung, die heute als kanonische Referenz auf Graduierten-Niveau dient. Spärliche PCE, adaptive Strategien wie EGO (Efficient Global Optimisation) und Deep-Learning-Surrogate sind aktive Forschungsbereiche.
Wann wird sie eingesetzt?
UQ ist immer dann geeignet, wenn ein rechnerisches Modell unsichere Eingaben hat – Parameter, die mit Fehlern gemessen werden, Randbedingungen, die nur annähernd bekannt sind, oder Materialeigenschaften mit natürlicher Variabilität – und der Analytiker charakterisieren muss, wie sich diese Unsicherheit auf die Modellausgaben auswirkt. Es ist besonders wertvoll, wenn der Simulator rechnerisch aufwendig ist (Minuten bis Stunden pro Lauf), was direktes Monte-Carlo unmöglich macht. Eingangsunsicherheiten müssen als Wahrscheinlichkeitsverteilungen ausdrückbar sein; wenn nur Worst-Case-Grenzen ohne probabilistische Informationen verfügbar sind, können Intervall- oder Fuzzy-Methoden besser geeignet sein. PCE eignet sich gut für moderate Anzahlen von Eingaben (ungefähr bis zu 10–15 Dimensionen, bevor der Fluch der Dimensionalität spärliche Varianten erfordert); Kriging-Surrogate können etwas höhere Dimensionen bewältigen, erfordern aber eine sorgfältige Versuchsplanung, um die Anzahl der Trainingsläufe überschaubar zu halten. Beide Ansätze gehen davon aus, dass das Modell glatt genug ist, damit eine Polynom- oder Gaußsche Prozess-Approximation genau ist.
Grenzen und Hinweise
- PCE leidet unter dem Fluch der Dimensionalität: Die Anzahl der Polynomterme wächst schnell mit der Anzahl der unsicheren Eingaben und dem Polynomgrad, was für hochdimensionale Probleme spärliche PCE- oder Dimensionsreduktionsstrategien erfordert.
- Die Genauigkeit eines Kriging-Surrogats hängt entscheidend von der Versuchsplanung ab; zu wenige oder schlecht platzierte Trainingspunkte ergeben unzuverlässige Vorhersagen dazwischen.
- Beide Methoden gehen davon aus, dass die Simulatorantwort glatt genug ist, um gut durch Polynome oder einen Gaußschen Prozess approximiert zu werden; Diskontinuitäten oder scharfe Gradienten in der Antwortfläche verschlechtern die Genauigkeit.
- Die Qualität des UQ-Ergebnisses ist nur so gut wie die gewählten Eingangsverteilungen; schlecht spezifizierte Eingangsverteilungen propagieren falsche Unsicherheit in die Ausgabe.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Bietet eine vollständige Charakterisierung der Ausgangsverteilung – nicht nur einen Mittelwert oder Worst Case –, was rigorose probabilistische Aussagen über Modellvorhersagen ermöglicht.
- Sobol-Sensitivitätsindizes identifizieren, welche unsicheren Eingaben die Ausgangsvariabilität antreiben, und leiten Prioritäten für Versuchsplanung und Datenerhebung.
- Sobald das Surrogate erstellt ist, sind Ausbreitungs- und Sensitivitätsanalysen rechnerisch vernachlässigbar, was UQ auch für teure Simulatoren praktikabel macht.
- PCE liefert analytische Ausdrücke für Mittelwert, Varianz und Sensitivitätsindizes und vermeidet Monte-Carlo-Stichprobenrauschen bei diesen Größen.
Anwendungen
- Quantifizierung der Auswirkung von Materialeigenschaftsvariabilität auf die strukturelle Zuverlässigkeit in Simulationen der Luft- und Raumfahrt sowie des Bauingenieurwesens.
- Propagierung von Parameterunsicherheiten durch Klima- und Erdsystemmodelle zur Charakterisierung des Bereichs projizierter Temperatur- oder Meeresspiegelergebnisse.
- Bewertung der Auswirkungen von Messunsicherheiten auf Vorhersagen der Leistung medizinischer Geräte in der computergestützten Biomechanik.
- Unterstützung einer robusten Designoptimierung durch Identifizierung, welche Designparameter die Ausgangsvariabilität am stärksten reduzieren, und Priorisierung engerer Fertigungstoleranzen.
- Bewertung von Konfidenzintervallen für Epidemiemodellvorhersagen, wenn Übertragungsparameter ungenau bekannt sind.
So funktioniert es
So funktioniert es
Der Analytiker identifiziert alle unsicheren Modelleingaben und weist jeder eine Wahrscheinlichkeitsverteilung zu – zum Beispiel eine Gleich-, Normal- oder Beta-Verteilung –, die den Wissensstand über diese Größe darstellt. Dieser Schritt ist grundlegend: Die Wahl der Eingangsverteilungen bestimmt direkt die Form der Ausgangsunsicherheit und muss auf physikalischem Wissen oder gemessenen Daten beruhen und darf nicht willkürlich angenommen werden.
Für PCE wird die Ausgabe in einer Basis orthogonaler Polynome entwickelt, deren Familie zu jeder Eingangsverteilung passt (Hermite-Polynome für normale Eingaben, Legendre für Gleichverteilungen und so weiter nach dem Wiener-Askey-Schema). Die Polynomkoeffizienten werden aus einer Reihe von Modellevaluierungen mittels Regression oder Projektion geschätzt. Für ein Kriging-Surrogate wählt eine Versuchsplanung – wie Latin-Hypercube-Sampling oder optimale raumfüllende Designs – eine kleine Anzahl repräsentativer Eingabepunkte aus, die Simulation wird an diesen Punkten durchgeführt und ein Gaußscher Prozess wird angepasst, um dazwischen zu interpolieren. Der Polynomgrad (für PCE) oder der Kovarianzkern (für Kriging) muss sorgfältig gewählt werden, um Genauigkeit gegen Rechenaufwand abzuwägen.
Sobald das Surrogate erstellt ist, ist die Unsicherheitsausbreitung kostengünstig. Für PCE ergeben sich der mittlere Wert und die Varianz der Ausgabe direkt aus den Polynomkoeffizienten ohne zusätzliche Simulationen. Für ein Kriging-Surrogate können Millionen von Monte-Carlo-Stichproben aus den Eingangsverteilungen gezogen und durch das schnelle Surrogate anstelle des teuren Simulators geleitet werden, was die vollständige Ausgangsverteilung zu einem Bruchteil der Kosten liefert. Die resultierende Verteilung charakterisiert den Bereich und die Wahrscheinlichkeit aller möglichen Ausgaben angesichts der Eingangsunsicherheit.
Varianzbasierte globale Sensitivitätsindizes – bekannt als Sobol-Indizes – zerlegen die gesamte Ausgangsvarianz in Beiträge, die jeder Eingabe und Wechselwirkungen zwischen Eingaben zugeschrieben werden. Für ein PCE-Surrogate werden diese Indizes analytisch aus den Polynomkoeffizienten gewonnen; für ein Kriging-Surrogate werden sie aus der propagierten Monte-Carlo-Stichprobe geschätzt. Erstordnungs-Sobol-Indizes berichten den Anteil der Varianz, der von jeder Eingabe allein erklärt wird; Gesamtordnungs-Indizes umfassen alle Wechselwirkungen höherer Ordnung, die diese Eingabe betreffen. Dieser Schritt identifiziert, welche Eingaben am wichtigsten sind und welche zur Reduzierung der Unsicherheit fixiert werden können.
Häufige Fallstricke
- Die Wahl von Eingangsverteilungen ohne physikalische oder empirische Begründung – die Annahme einer Normalverteilung nur, weil sie bequem ist, kann zu Ausgangsverteilungen führen, die die wahre Unsicherheit falsch darstellen.
- Die Unterschätzung des Polynomgrads oder die Verwendung eines raumfüllenden Designs, das im Verhältnis zur Komplexität der Antwortfläche zu spärlich ist, führt zu einem Surrogate, das unteranpasst und die Ausgangsvarianz unterschätzt.
- Das Ignorieren von Wechselwirkungen zwischen Eingaben durch die Berichterstattung nur von Erstordnungs-Sobol-Indizes kann irreführend sein, wenn Wechselwirkungen zwischen Eingaben die dominante Varianzquelle sind; prüfen Sie immer Gesamtordnungs-Indizes.
- Die Anwendung von PCE in hohen Dimensionen (über etwa 15 Eingaben) ohne spärliche oder adaptive Kürzung führt dazu, dass die Anzahl der Terme explodiert, was die Koeffizientenschätzung unzuverlässig macht.
- Die Behandlung des Surrogats als perfekt und dessen Validierung nicht gegen zurückgehaltene Simulatorsauswertungen vor der Verwendung für die Entscheidungsfindung ist ein häufiger und kostspieliger Fehler.
Häufig gestellte Fragen
Was ist der Unterschied zwischen PCE und einem Kriging-Surrogate?
PCE stellt die Modellausgabe als explizite Polynomreihe in den unsicheren Eingaben dar, die orthogonal zu den Eingangsverteilungen gewählt wird. Sobol-Sensitivitätsindizes und Momente folgen analytisch aus den Koeffizienten. Kriging behandelt die Modellausgabe als Realisierung eines Gaußschen Prozesses und interpoliert zwischen Trainingspunkten, was sowohl eine Vorhersage als auch eine Vorhersagevarianz liefert. PCE ist tendenziell effizienter, wenn die Eingabedimension niedrig ist und die Antwort glatt und global polynomial ist; Kriging ist flexibler für unregelmäßige oder lokal variierende Antworten und kann mit aktiven Lernstrategien wie EGO erweitert werden.
Wie viele Simulatorenläufe sind erforderlich, um ein zuverlässiges Surrogate zu erstellen?
Für PCE beträgt das Minimum etwa das Zwei- bis Dreifache der Anzahl der Polynombasis-Terme, aber mehr Läufe verbessern die Genauigkeit. Für ein Kriging-Surrogate ist eine gängige Faustregel das Zehnfache der Anzahl der unsicheren Eingaben für das anfängliche Design, wobei bei Budgetermöglichung zusätzliche Punkte adaptiv hinzugefügt werden. In beiden Fällen ist die Validierung anhand zurückgehaltener Läufe unerlässlich, bevor das Surrogate für die Entscheidungsfindung verwendet wird.
Was sind Sobol-Indizes und warum sind sie wichtig?
Sobol-Indizes sind varianzbasierte globale Sensitivitätsmaße. Der Erstordnungsindex für eine Eingabe gibt den Anteil der gesamten Ausgangsvarianz an, der dieser Eingabe allein zuzuschreiben ist. Der Gesamtordnungsindex umfasst alle Wechselwirkungen zwischen dieser Eingabe und anderen. Zusammen sagen sie dem Analytiker, welche Eingaben es wert sind, genauer gemessen zu werden und welche als fixiert behandelt werden können, ohne die Ausgangsunsicherheit signifikant zu beeinflussen. Im Gegensatz zu lokalen (derivativen) Sensitivitätsmaßen sind Sobol-Indizes über die gesamte Eingangsverteilung gültig, nicht nur in der Nähe eines nominalen Punktes.
Kann UQ angewendet werden, wenn Eingangsverteilungen unbekannt sind?
UQ im probabilistischen Sinne erfordert, dass Eingangsunsicherheiten als Wahrscheinlichkeitsverteilungen spezifiziert werden. Wenn nur Bereiche oder Grenzen ohne Verteilungskenntnis verfügbar sind, werden manchmal Gleichverteilungen als konservative Wahl verwendet, aber diese Annahme sollte explizit gemacht werden. Wenn der Analytiker keine Verteilung ernsthaft zuweisen kann – zum Beispiel in Situationen tiefer Unsicherheit –, können Szenarioanalysen oder robuste Optimierungsansätze besser geeignet sein als probabilistische UQ.
Verwandte Methoden
Quellen
Xiu, D. & Karniadakis, G.E. (2002). The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, 24(2), 619–644.
DOI-Referenz öffnenKopiert.Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.
ISBN: 978-1611973211Kopiert.