Saltar al contenido
Volver a los resultados

Cuantificación de la Incertidumbre — Caos Polinomial y Sustitutos Kriging

Propuesto por
Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
Año
Seminal modern form: 2002
Tipo
Computational uncertainty analysis framework

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La Cuantificación de la Incertidumbre (UQ, por sus siglas en inglés) es un marco computacional para medir sistemáticamente cómo la incertidumbre en las entradas de un modelo se propaga a la incertidumbre en sus salidas.

Basándose en la teoría del caos polinomial de Wiener (1938) y formalizada para problemas estocásticos generales por Xiu y Karniadakis (2002), la UQ utiliza dos estrategias principales: la Expansión de Caos Polinomial (PCE, por sus siglas en inglés), que representa la salida del modelo como una serie de polinomios ortogonales adaptados a las distribuciones de entrada, y los sustitutos Kriging (proceso gaussiano), que reemplazan una simulación costosa con una aproximación estadística rápida ajustada a un pequeño conjunto de ejecuciones cuidadosamente seleccionadas.

La intuición detrás del método

Imagine que está ejecutando una simulación computacional costosa — un análisis estructural de elementos finitos o un modelo climático — y sabe que varias de sus entradas no son números precisos sino cantidades inciertas extraídas de distribuciones. Ejecutar la simulación miles de veces con entradas aleatorias (Monte Carlo simple) sería preciso pero prohibitivamente lento. La UQ ofrece una ruta más inteligente: o bien expresar la salida matemáticamente como una función polinomial de las entradas inciertas (PCE), de modo que la media, la varianza y los índices de sensibilidad sigan analíticamente, o bien entrenar un modelo sustituto económico (Kriging) con un pequeño número de ejecuciones de simulación estratégicamente ubicadas y luego muestrear del sustituto a un costo insignificante. Ambas estrategias convierten simulaciones costosas y de caja negra en problemas tratables, permitiéndole cuantificar la variabilidad de la salida e identificar qué entradas impulsan la mayor parte de esa variabilidad.

Historia

Las raíces matemáticas del caos polinomial se encuentran en la teoría del caos homogéneo de Wiener (1938), que representaba procesos impulsados por movimiento Browniano utilizando expansiones de polinomios de Hermite. El método siguió siendo en gran medida una herramienta teórica hasta que Ghanem y Spanos (1991) lo aplicaron al análisis estocástico de elementos finitos. La generalización decisiva provino de Xiu y Karniadakis (2002), quienes demostraron que la base polinomial óptima depende de la distribución de entrada — el esquema de Wiener–Askey — permitiendo una PCE eficiente para una amplia gama de problemas de ingeniería. Simultáneamente, los sustitutos Kriging, originarios de la geoestadística (Krige, 1951; Matheron, 1963) y formalizados como regresión de procesos gaussianos en el aprendizaje automático, se convirtieron en una herramienta estándar en el diseño de experimentos computacionales. Smith (2013) proporcionó la síntesis completa de la teoría, implementación y aplicación de la UQ que ahora sirve como referencia canónica a nivel de posgrado. La PCE dispersa, las estrategias adaptativas como EGO (Efficient Global Optimisation) y los sustitutos de aprendizaje profundo son áreas activas de investigación actual.

Cuándo usarlo

La UQ es apropiada siempre que un modelo computacional tenga entradas inciertas — parámetros medidos con error, condiciones de contorno que solo se conocen aproximadamente, o propiedades de materiales con variabilidad natural — y el analista necesite caracterizar cómo esa incertidumbre afecta las salidas del modelo. Es especialmente valiosa cuando el simulador es computacionalmente costoso (minutos a horas por ejecución), lo que hace inviable el Monte Carlo directo. Las incertidumbres de entrada deben poder expresarse como distribuciones de probabilidad; si solo se dispone de límites de peor caso sin información probabilística, los métodos de intervalo o difusos pueden ser más adecuados. La PCE se adapta bien a un número moderado de entradas (aproximadamente hasta 10-15 dimensiones antes de que la maldición de la dimensionalidad requiera variantes dispersas); los sustitutos Kriging pueden manejar dimensiones algo mayores pero requieren un diseño de experimentos cuidadoso para mantener manejable el número de ejecuciones de entrenamiento. Ambos enfoques asumen que el modelo es lo suficientemente suave como para que una aproximación polinomial o de proceso gaussiano sea precisa.

Limitaciones y consideraciones

  • La PCE sufre la maldición de la dimensionalidad: el número de términos polinomiales crece rápidamente con el número de entradas inciertas y el grado polinomial, requiriendo PCE dispersa o estrategias de reducción de dimensionalidad para problemas de alta dimensionalidad.
  • La precisión de un sustituto Kriging depende críticamente del diseño de experimentos; muy pocos puntos de entrenamiento o mal ubicados producen predicciones poco fiables entre ellos.
  • Ambos métodos asumen que la respuesta del simulador es lo suficientemente suave como para ser bien aproximada por polinomios o un proceso gaussiano; las discontinuidades o gradientes agudos en la superficie de respuesta degradan la precisión.
  • La calidad del resultado de la UQ es solo tan buena como las distribuciones de entrada elegidas; las distribuciones de entrada mal especificadas propagan una incertidumbre incorrecta a la salida.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Proporciona una caracterización completa de la distribución de salida — no solo una media o un peor caso — permitiendo afirmaciones probabilísticas rigurosas sobre las predicciones del modelo.
  • Los índices de sensibilidad de Sobol identifican qué entradas inciertas impulsan la variabilidad de la salida, guiando las prioridades de diseño experimental y recopilación de datos.
  • Una vez construido el sustituto, la propagación y el análisis de sensibilidad son computacionalmente insignificantes, lo que hace que la UQ sea práctica incluso para simuladores costosos.
  • La PCE ofrece expresiones analíticas para la media, la varianza y los índices de sensibilidad, evitando el ruido del muestreo de Monte Carlo en esas cantidades.

Aplicaciones

  • Cuantificar el efecto de la variabilidad de las propiedades del material en la fiabilidad estructural en simulaciones de ingeniería aeroespacial y civil.
  • Propagar la incertidumbre de los parámetros a través de modelos climáticos y del sistema terrestre para caracterizar el rango de resultados proyectados de temperatura o nivel del mar.
  • Evaluar el impacto de la incertidumbre de medición en las predicciones de rendimiento de dispositivos médicos en biomecánica computacional.
  • Apoyar la optimización de diseño robusto identificando qué parámetros de diseño reducen más la variabilidad de la salida, priorizando tolerancias de fabricación más estrictas.
  • Evaluar intervalos de confianza en pronósticos de modelos epidémicos cuando los parámetros de transmisión se conocen de forma imprecisa.

Cómo funciona

Cómo funciona

1

El analista identifica todas las entradas inciertas del modelo y asigna a cada una una distribución de probabilidad — por ejemplo, una distribución uniforme, normal o beta — que representa el estado de conocimiento sobre esa cantidad. Este paso es fundamental: la elección de las distribuciones de entrada determina directamente la forma de la incertidumbre de salida y debe basarse en el conocimiento físico o en datos medidos en lugar de asumirse arbitrariamente.

2

Para la PCE, la salida se expande en una base de polinomios ortogonales cuya familia coincide con cada distribución de entrada (polinomios de Hermite para entradas normales, Legendre para uniformes, y así sucesivamente siguiendo el esquema de Wiener–Askey). Los coeficientes polinomiales se estiman a partir de un conjunto de evaluaciones del modelo utilizando regresión o proyección. Para un sustituto Kriging, una estrategia de diseño de experimentos — como el muestreo de hipercubo latino o diseños óptimos de llenado de espacio — selecciona un pequeño número de puntos de entrada representativos, se ejecuta la simulación en esos puntos y se ajusta un modelo de proceso gaussiano para interpolar entre ellos. El grado polinomial (para PCE) o el núcleo de covarianza (para Kriging) deben elegirse con cuidado para equilibrar la precisión frente al costo computacional.

3

Una vez que se construye el sustituto, la propagación de la incertidumbre es económica. Para la PCE, la media y la varianza de salida surgen directamente de los coeficientes polinomiales sin simulaciones adicionales. Para un sustituto Kriging, se pueden extraer millones de muestras de Monte Carlo de las distribuciones de entrada y pasarlas a través del sustituto rápido en lugar del simulador costoso, produciendo la distribución de salida completa a una fracción del costo. La distribución resultante caracteriza el rango y la probabilidad de todas las salidas posibles dada la incertidumbre de entrada.

4

Los índices de sensibilidad global basados en la varianza — conocidos como índices de Sobol — descomponen la varianza total de la salida en contribuciones atribuibles a cada entrada y a las interacciones entre entradas. Para un sustituto PCE, estos índices se obtienen analíticamente de los coeficientes polinomiales; para un sustituto Kriging se estiman a partir de la muestra de Monte Carlo propagada. Los índices de Sobol de primer orden informan la fracción de varianza explicada por cada entrada sola; los índices de orden total incluyen todas las interacciones de orden superior que involucran a esa entrada. Este paso identifica qué entradas son las más importantes y cuáles se pueden fijar para reducir la incertidumbre.

Errores comunes

  • Elegir distribuciones de entrada sin justificación física o empírica — asignar una distribución normal simplemente porque es conveniente puede producir distribuciones de salida que tergiversan la verdadera incertidumbre.
  • Subestimar el grado polinomial o usar un diseño de llenado de espacio que es demasiado disperso en relación con la complejidad de la superficie de respuesta lleva a un sustituto que subajusta y subestima la varianza de salida.
  • Ignorar las interacciones entre entradas informando solo los índices de Sobol de primer orden puede ser engañoso cuando las interacciones de entrada son la fuente dominante de varianza; siempre inspeccione los índices de orden total.
  • Aplicar PCE en altas dimensiones (por encima de aproximadamente 15 entradas) sin truncamiento disperso o adaptativo hace que el número de términos explote, haciendo que la estimación de coeficientes no sea fiable.
  • Tratar el sustituto como perfecto y no validarlo contra evaluaciones de simulador retenidas antes de usarlo para la toma de decisiones es un error común y costoso.

Preguntas frecuentes

¿Cuál es la diferencia entre PCE y un sustituto Kriging?

La PCE representa la salida del modelo como una serie polinomial explícita en las entradas inciertas, elegida para ser ortogonal con respecto a las distribuciones de entrada. Los índices de sensibilidad de Sobol y los momentos siguen analíticamente de los coeficientes. Kriging trata la salida del modelo como una realización de un proceso gaussiano e interpola entre puntos de entrenamiento, proporcionando tanto una predicción como una varianza de predicción. La PCE tiende a ser más eficiente cuando la dimensión de entrada es baja y la respuesta es suave y globalmente polinomial; Kriging es más flexible para respuestas irregulares o que varían localmente y puede extenderse con estrategias de aprendizaje activo como EGO.

¿Cuántas ejecuciones de simulador se necesitan para construir un sustituto fiable?

Para la PCE, el mínimo es aproximadamente dos o tres veces el número de términos de la base polinomial, pero más ejecuciones mejoran la precisión. Para un sustituto Kriging, una regla general común es diez veces el número de entradas inciertas para el diseño inicial, con puntos adicionales añadidos adaptativamente si el presupuesto lo permite. En ambos casos, la validación contra ejecuciones retenidas es esencial antes de que el sustituto se utilice para la toma de decisiones.

¿Qué son los índices de Sobol y por qué son importantes?

Los índices de Sobol son medidas de sensibilidad global basadas en la varianza. El índice de primer orden para una entrada informa la fracción de la varianza total de la salida atribuible solo a esa entrada. El índice de orden total incluye todas las interacciones entre esa entrada y otras. Juntos, le dicen al analista qué entradas valen la pena medir con más precisión y cuáles se pueden tratar como fijas sin afectar significativamente la incertidumbre de salida. A diferencia de las medidas de sensibilidad locales (basadas en derivadas), los índices de Sobol son válidos en toda la distribución de entrada, no solo cerca de un punto nominal.

¿Se puede aplicar la UQ cuando se desconocen las distribuciones de entrada?

La UQ en el sentido probabilístico requiere que las incertidumbres de entrada se especifiquen como distribuciones de probabilidad. Cuando solo se dispone de rangos o límites sin conocimiento distribucional, a veces se utilizan distribuciones uniformes como una opción conservadora, pero esta suposición debe hacerse explícita. Si el analista realmente no puede asignar una distribución — por ejemplo, en entornos de incertidumbre profunda — el análisis de escenarios o los enfoques de optimización robusta pueden ser más apropiados que la UQ probabilística.

Métodos relacionados

Fuentes

  1. Xiu, D. & Karniadakis, G.E. (2002). The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, 24(2), 619–644.

    Abrir referencia DOI
    Copiado.
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    ISBN: 978-1611973211
    Copiado.