Skip to content
بازگشت به نتایج جست‌وجو

کمی‌سازی عدم قطعیت — چندجمله‌ای چگالش و جانشین کرینگ

معرفی‌شده توسط
Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
سال
Seminal modern form: 2002
نوع
Computational uncertainty analysis framework

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

کمی‌سازی عدم قطعیت (UQ) یک چارچوب محاسباتی برای اندازه‌گیری سیستماتیک چگونگی انتشار عدم قطعیت در ورودی‌های یک مدل به عدم قطعیت در خروجی‌های آن است. با تکیه بر نظریه چگالش چندجمله‌ای وینر (۱۹۳۸) و فرمول‌بندی شده برای مسائل تصادفی عمومی توسط ژیو و کارنیاداکیس (۲۰۰۲)، UQ از دو استراتژی اصلی استفاده می‌کند: بسط چگالش چندجمله‌ای (PCE)، که خروجی مدل را به صورت مجموعه‌ای از چندجمله‌ای‌های متعامد متناسب با توزیع‌های ورودی نمایش می‌دهد، و جانشین‌های کرینگ (فرایند گاوسی)، که شبیه‌سازی پرهزینه را با یک تقریب آماری سریع که بر اساس مجموعه‌ای کوچک از اجراهای با دقت انتخاب شده تنظیم شده است، جایگزین می‌کنند.

شهود پشت روش

تصور کنید در حال اجرای یک شبیه‌سازی کامپیوتری پرهزینه هستید — یک تحلیل سازه‌ای با المان محدود یا یک مدل آب و هوایی — و می‌دانید که چندین ورودی آن اعداد دقیقی نیستند، بلکه مقادیر نامطمئنی هستند که از توزیع‌ها استخراج شده‌اند. اجرای شبیه‌سازی هزاران بار با ورودی‌های تصادفی (مونت کارلو ساده) دقیق خواهد بود اما به طرز غیرقابل تحملی کند است. UQ مسیری هوشمندانه‌تر ارائه می‌دهد: یا خروجی را به صورت ریاضی به عنوان تابعی چندجمله‌ای از ورودی‌های نامطمئن (PCE) بیان کنید، به طوری که میانگین، واریانس و شاخص‌های حساسیت به صورت تحلیلی به دست آیند، یا یک مدل جانشین ارزان (کرینگ) را بر اساس تعداد کمی اجرای شبیه‌سازی که به صورت استراتژیک قرار گرفته‌اند، آموزش دهید و سپس با هزینه ناچیز از جانشین نمونه‌برداری کنید. هر دو استراتژی شبیه‌سازی‌های پرهزینه و جعبه سیاه را به مسائل قابل حل تبدیل می‌کنند و به شما امکان می‌دهند تا پراکندگی خروجی را کمی‌سازی کرده و مشخص کنید کدام ورودی‌ها بیشترین سهم را در آن پراکندگی دارند.

تاریخ

ریشه‌های ریاضی چگالش چندجمله‌ای در نظریه چگالش همگن وینر (۱۹۳۸) نهفته است، که فرایندهای ناشی از حرکت براونی را با استفاده از بسط‌های چندجمله‌ای هرمیت نمایش می‌داد. این روش عمدتاً به عنوان یک ابزار نظری باقی ماند تا اینکه غانم و اسپانوس (۱۹۹۱) آن را برای تحلیل المان محدود تصادفی به کار بردند. تعمیم قاطع از ژیو و کارنیاداکیس (۲۰۰۲) حاصل شد، که نشان دادند پایه‌های چندجمله‌ای بهینه به توزیع ورودی بستگی دارد — طرح وینر-آسکی — که امکان PCE کارآمد را برای طیف وسیعی از مسائل مهندسی فراهم می‌کند. همزمان، جانشین‌های کرینگ، که ریشه در ژئواستاتستیک (کریج، ۱۹۵۱؛ ماترون، ۱۹۶۳) دارند و به عنوان رگرسیون فرایند گاوسی در یادگیری ماشین فرموله شده‌اند، به ابزاری استاندارد در طراحی آزمایش‌های کامپیوتری تبدیل شدند. اسمیت (۲۰۱۳) سنتز جامعی از نظریه، پیاده‌سازی و کاربرد UQ را ارائه داد که اکنون به عنوان مرجع استاندارد در سطح تحصیلات تکمیلی عمل می‌کند. PCE پراکنده، استراتژی‌های تطبیقی مانند EGO (بهینه‌سازی جهانی کارآمد) و جانشین‌های یادگیری عمیق، حوزه‌های فعال تحقیقات کنونی هستند.

چه زمانی استفاده شود

UQ زمانی مناسب است که یک مدل محاسباتی دارای ورودی‌های نامطمئن باشد — پارامترهایی که با خطا اندازه‌گیری شده‌اند، شرایط مرزی که فقط به طور تقریبی شناخته شده‌اند، یا خواص مواد با پراکندگی طبیعی — و تحلیلگر نیاز به توصیف چگونگی تأثیر آن عدم قطعیت بر خروجی‌های مدل داشته باشد. این روش به ویژه زمانی ارزشمند است که شبیه‌ساز از نظر محاسباتی پرهزینه باشد (دقایقی تا ساعتی برای هر اجرا)، که مونت کارلو مستقیم را غیرممکن می‌سازد. عدم قطعیت‌های ورودی باید به صورت توزیع‌های احتمال قابل بیان باشند؛ اگر فقط حدود بدترین حالت بدون اطلاعات احتمالی در دسترس باشد، روش‌های بازه‌ای یا فازی ممکن است مناسب‌تر باشند. PCE برای تعداد ورودی‌های متوسط (تقریباً تا ۱۰-۱۵ بعد قبل از اینکه نفرین ابعاد به انواع پراکنده نیاز داشته باشد) مناسب است؛ جانشین‌های کرینگ می‌توانند ابعاد کمی بالاتری را مدیریت کنند اما به طراحی آزمایش دقیقی برای قابل مدیریت نگه داشتن تعداد اجراهای آموزشی نیاز دارند. هر دو رویکرد فرض می‌کنند که مدل به اندازه کافی هموار است تا تقریب چندجمله‌ای یا فرایند گاوسی دقیق باشد.

محدودیت‌ها و ملاحظات

  • PCE از نفرین ابعاد رنج می‌برد: تعداد جملات چندجمله‌ای به سرعت با تعداد ورودی‌های نامطمئن و درجه چندجمله‌ای افزایش می‌یابد و برای مسائل با ابعاد بالا به PCE پراکنده یا استراتژی‌های کاهش ابعاد نیاز دارد.
  • دقت یک جانشین کرینگ به شدت به طراحی آزمایش بستگی دارد؛ نقاط آموزشی کم یا بد قرار گرفته، پیش‌بینی‌های بین آن‌ها را غیرقابل اعتماد می‌سازد.
  • هر دو روش فرض می‌کنند که پاسخ شبیه‌ساز به اندازه کافی هموار است تا به خوبی توسط چندجمله‌ای‌ها یا یک فرایند گاوسی تقریب زده شود؛ ناپیوستگی‌ها یا گرادیان‌های تند در سطح پاسخ، دقت را کاهش می‌دهند.
  • کیفیت نتیجه UQ تنها به اندازه توزیع‌های ورودی انتخاب شده خوب است؛ توزیع‌های ورودی ضعیف، عدم قطعیت نادرستی را به خروجی منتقل می‌کنند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • ارائه توصیف کاملی از توزیع خروجی — نه فقط میانگین یا بدترین حالت — امکان اظهارات احتمالی دقیق در مورد پیش‌بینی‌های مدل را فراهم می‌کند.
  • شاخص‌های حساسیت سوبول مشخص می‌کنند کدام ورودی‌های نامطمئن باعث پراکندگی خروجی می‌شوند و اولویت‌های طراحی آزمایش و جمع‌آوری داده را هدایت می‌کنند.
  • پس از ساخت جانشین، تحلیل انتشار و حساسیت از نظر محاسباتی ناچیز است و UQ را حتی برای شبیه‌سازهای پرهزینه عملی می‌سازد.
  • PCE عبارات تحلیلی برای میانگین، واریانس و شاخص‌های حساسیت ارائه می‌دهد و از نویز نمونه‌گیری مونت کارلو در آن کمیت‌ها اجتناب می‌کند.

کاربردها

  • کمی‌سازی اثر پراکندگی خواص مواد بر قابلیت اطمینان سازه‌ای در شبیه‌سازی‌های مهندسی هوافضا و عمران.
  • انتشار عدم قطعیت پارامتر از طریق مدل‌های آب و هوایی و سیستم زمین برای توصیف دامنه نتایج پیش‌بینی شده دما یا سطح دریا.
  • ارزیابی تأثیر عدم قطعیت اندازه‌گیری بر پیش‌بینی عملکرد دستگاه‌های پزشکی در بیومکانیک محاسباتی.
  • پشتیبانی از بهینه‌سازی طراحی مقاوم با شناسایی پارامترهای طراحی که بیشترین کاهش را در پراکندگی خروجی دارند، اولویت‌بندی تلورانس‌های تولید دقیق‌تر.
  • ارزیابی فواصل اطمینان در پیش‌بینی‌های مدل‌های همه‌گیر زمانی که پارامترهای انتقال به طور نامشخصی شناخته شده‌اند.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیلگر تمام ورودی‌های نامطمئن مدل را شناسایی کرده و برای هر کدام یک توزیع احتمال تعیین می‌کند — به عنوان مثال، یک توزیع یکنواخت، نرمال یا بتا — که وضعیت دانش در مورد آن کمیت را نشان می‌دهد. این مرحله اساسی است: انتخاب توزیع‌های ورودی مستقیماً شکل عدم قطعیت خروجی را تعیین می‌کند و باید بر اساس دانش فیزیکی یا داده‌های اندازه‌گیری شده باشد، نه اینکه به طور دلخواه فرض شود.

2

برای PCE، خروجی در پایه‌ای از چندجمله‌ای‌های متعامد بسط داده می‌شود که خانواده آن با هر توزیع ورودی مطابقت دارد (چندجمله‌ای‌های هرمیت برای ورودی‌های نرمال، لژاندر برای یکنواخت، و غیره طبق طرح وینر-آسکی). ضرایب چندجمله‌ای از طریق مجموعه‌ای از ارزیابی‌های مدل با استفاده از رگرسیون یا پروجکشن تخمین زده می‌شوند. برای یک جانشین کرینگ، یک استراتژی طراحی آزمایش — مانند نمونه‌برداری هایپرکیوب لاتین یا طرح‌های بهینه پرکننده فضا — تعداد کمی نقطه ورودی نماینده را انتخاب می‌کند، شبیه‌سازی در آن نقاط اجرا می‌شود و یک مدل فرایند گاوسی برای درون‌یابی بین آن‌ها تنظیم می‌شود. درجه چندجمله‌ای (برای PCE) یا هسته کوواریانس (برای کرینگ) باید با دقت انتخاب شود تا دقت در برابر هزینه محاسباتی متعادل شود.

3

پس از ساخت جانشین، انتشار عدم قطعیت ارزان است. برای PCE، میانگین و واریانس خروجی مستقیماً از ضرایب چندجمله‌ای بدون شبیه‌سازی‌های اضافی به دست می‌آیند. برای یک جانشین کرینگ، میلیون‌ها نمونه مونت کارلو می‌توانند از توزیع‌های ورودی نمونه‌برداری شده و از طریق جانشین سریع به جای شبیه‌ساز پرهزینه عبور داده شوند، که توزیع کامل خروجی را با کسری از هزینه به دست می‌دهد. توزیع حاصل، دامنه و احتمال تمام خروجی‌های ممکن با توجه به عدم قطعیت ورودی را مشخص می‌کند.

4

شاخص‌های حساسیت جهانی مبتنی بر واریانس — معروف به شاخص‌های سوبول — واریانس کل خروجی را به سهم‌های نسبت داده شده به هر ورودی و تعاملات بین ورودی‌ها تجزیه می‌کنند. برای یک جانشین PCE، این شاخص‌ها به صورت تحلیلی از ضرایب چندجمله‌ای به دست می‌آیند؛ برای یک جانشین کرینگ، آن‌ها از نمونه مونت کارلو منتشر شده تخمین زده می‌شوند. شاخص‌های سوبول مرتبه اول، کسری از واریانس را که توسط هر ورودی به تنهایی توضیح داده می‌شود، گزارش می‌دهند؛ شاخص‌های مرتبه کل شامل تمام تعاملات مرتبه بالاتر مربوط به آن ورودی هستند. این مرحله مشخص می‌کند کدام ورودی‌ها بیشترین اهمیت را دارند و کدام‌ها را می‌توان برای کاهش عدم قطعیت ثابت کرد.

دام‌های رایج

  • انتخاب توزیع‌های ورودی بدون توجیه فیزیکی یا تجربی — نسبت دادن یک توزیع نرمال صرفاً به دلیل راحت بودن می‌تواند توزیع‌های خروجی تولید کند که عدم قطعیت واقعی را نادرست نشان می‌دهند.
  • کم‌تخمین زدن درجه چندجمله‌ای یا استفاده از یک طرح پرکننده فضا که نسبت به پیچیدگی سطح پاسخ بسیار پراکنده است، منجر به جانشینی می‌شود که کم‌برازش شده و واریانس خروجی را دست‌کم می‌گیرد.
  • نادیده گرفتن تعاملات بین ورودی‌ها با گزارش تنها شاخص‌های سوبول مرتبه اول می‌تواند گمراه‌کننده باشد، زمانی که تعاملات ورودی منبع غالب واریانس هستند؛ همیشه شاخص‌های مرتبه کل را بررسی کنید.
  • اعمال PCE در ابعاد بالا (بالاتر از حدود ۱۵ ورودی) بدون برش پراکنده یا تطبیقی باعث انفجار تعداد جملات می‌شود و تخمین ضرایب را غیرقابل اعتماد می‌سازد.
  • در نظر گرفتن جانشین به عنوان کامل و عدم اعتبارسنجی آن در برابر ارزیابی‌های شبیه‌ساز نگهداری شده قبل از استفاده برای تصمیم‌گیری، یک خطای رایج و پرهزینه است.

پرسش‌های متداول

تفاوت بین PCE و جانشین کرینگ چیست؟

PCE خروجی مدل را به صورت یک سری چندجمله‌ای صریح در ورودی‌های نامطمئن نمایش می‌دهد که برای متعامد بودن نسبت به توزیع‌های ورودی انتخاب شده است. شاخص‌های حساسیت سوبول و گشتاورها به صورت تحلیلی از ضرایب به دست می‌آیند. کرینگ خروجی مدل را به عنوان یک نمونه از یک فرایند گاوسی در نظر می‌گیرد و بین نقاط آموزشی درون‌یابی می‌کند و هم پیش‌بینی و هم واریانس پیش‌بینی را ارائه می‌دهد. PCE تمایل دارد زمانی کارآمدتر باشد که بعد ورودی کم و پاسخ هموار و چندجمله‌ای جهانی باشد؛ کرینگ برای پاسخ‌های نامنظم یا متغیر محلی انعطاف‌پذیرتر است و می‌تواند با استراتژی‌های یادگیری فعال مانند EGO گسترش یابد.

برای ساخت یک جانشین قابل اعتماد به چند اجرای شبیه‌ساز نیاز است؟

برای PCE حداقل حدود دو تا سه برابر تعداد جملات پایه چندجمله‌ای است، اما اجراهای بیشتر دقت را بهبود می‌بخشد. برای یک جانشین کرینگ، یک قاعده کلی رایج ده برابر تعداد ورودی‌های نامطمئن برای طراحی اولیه است، با اضافه شدن نقاط اضافی به صورت تطبیقی در صورت امکان بودجه. در هر دو مورد، اعتبارسنجی در برابر اجراهای نگهداری شده قبل از استفاده از جانشین برای تصمیم‌گیری ضروری است.

شاخص‌های سوبول چیستند و چرا اهمیت دارند؟

شاخص‌های سوبول معیارهای حساسیت جهانی مبتنی بر واریانس هستند. شاخص مرتبه اول برای یک ورودی، کسری از واریانس کل خروجی را که به تنهایی به آن ورودی نسبت داده می‌شود، گزارش می‌دهد. شاخص مرتبه کل شامل تمام تعاملات بین آن ورودی و سایر ورودی‌ها است. در مجموع، آن‌ها به تحلیلگر می‌گویند که کدام ورودی‌ها ارزش اندازه‌گیری دقیق‌تر را دارند و کدام‌ها را می‌توان بدون تأثیر قابل توجه بر عدم قطعیت خروجی ثابت در نظر گرفت. برخلاف معیارهای حساسیت محلی (مبتنی بر مشتق)، شاخص‌های سوبول در کل توزیع ورودی معتبر هستند، نه فقط در نزدیکی یک نقطه اسمی.

آیا UQ زمانی که توزیع‌های ورودی ناشناخته هستند قابل اعمال است؟

UQ به معنای احتمالی مستلزم این است که عدم قطعیت‌های ورودی به صورت توزیع‌های احتمال مشخص شوند. زمانی که فقط محدوده‌ها یا کران‌ها بدون دانش توزیعی در دسترس هستند، گاهی اوقات توزیع‌های یکنواخت به عنوان یک انتخاب محافظه‌کارانه استفاده می‌شوند، اما این فرض باید صریح بیان شود. اگر تحلیلگر واقعاً نتواند توزیعی را تعیین کند — به عنوان مثال در تنظیمات عدم قطعیت عمیق — تحلیل سناریو یا رویکردهای بهینه‌سازی مقاوم ممکن است مناسب‌تر از UQ احتمالی باشند.

روش‌های مرتبط

منابع

  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.

    باز کردن مرجع DOI
    کپی شد.
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    شابک: 978-1611973211
    کپی شد.