Skip to content
Kembali ke hasil pencarian

Kuantifikasi Ketidakpastian — Polinomial Chaos dan Pengganti Kriging

Diperkenalkan oleh
Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
Tahun
Seminal modern form: 2002
Jenis
Computational uncertainty analysis framework

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Kuantifikasi Ketidakpastian (UQ) adalah kerangka kerja komputasi untuk mengukur secara sistematis bagaimana ketidakpastian dalam masukan model merambat menjadi ketidakpastian dalam keluarannya.

Dibangun di atas teori chaos polinomial Wiener (1938) dan diformalkan untuk masalah stokastik umum oleh Xiu dan Karniadakis (2002), UQ menggunakan dua strategi utama: Ekspansi Chaos Polinomial (PCE), yang merepresentasikan keluaran model sebagai deret polinomial ortogonal yang disesuaikan dengan distribusi masukan, dan pengganti Kriging (proses Gaussian), yang menggantikan simulasi yang mahal dengan aproksimasi statistik cepat yang disesuaikan dengan sejumlah kecil dijalankan yang dipilih dengan cermat.

Intuisi di balik metode

Bayangkan Anda sedang menjalankan simulasi komputer yang mahal — analisis struktural elemen hingga atau model iklim — dan Anda tahu bahwa beberapa masukannya bukanlah angka yang tepat tetapi kuantitas yang tidak pasti yang diambil dari distribusi. Menjalankan simulasi ribuan kali dengan masukan acak (Monte Carlo biasa) akan akurat tetapi terlalu lambat. UQ menawarkan rute yang lebih cerdas: baik mengekspresikan keluaran secara matematis sebagai fungsi polinomial dari masukan yang tidak pasti (PCE), sehingga rata-rata, varians, dan indeks sensitivitas mengikuti secara analitis, atau melatih model pengganti yang murah (Kriging) pada sejumlah kecil dijalankan simulasi yang ditempatkan secara strategis dan kemudian mengambil sampel dari pengganti dengan biaya yang dapat diabaikan. Kedua strategi mengubah simulasi kotak hitam yang mahal menjadi masalah yang dapat dikelola, memungkinkan Anda menguantifikasi variabilitas keluaran dan mengidentifikasi masukan mana yang paling mendorong variabilitas tersebut.

Sejarah

Akar matematis chaos polinomial terletak pada teori chaos homogen Wiener (1938), yang merepresentasikan proses yang didorong oleh gerakan Brown menggunakan ekspansi polinomial Hermite. Metode ini sebagian besar tetap menjadi alat teoretis sampai Ghanem dan Spanos (1991) menerapkannya pada analisis elemen hingga stokastik. Generalisasi yang menentukan datang dari Xiu dan Karniadakis (2002), yang menunjukkan bahwa basis polinomial optimal bergantung pada distribusi masukan — skema Wiener–Askey — memungkinkan PCE yang efisien untuk berbagai masalah rekayasa. Secara bersamaan, pengganti Kriging, yang berasal dari geostatistik (Krige, 1951; Matheron, 1963) dan diformalkan sebagai regresi proses Gaussian dalam pembelajaran mesin, menjadi alat standar dalam desain eksperimen komputer. Smith (2013) memberikan sintesis komprehensif teori, implementasi, dan aplikasi UQ yang sekarang berfungsi sebagai referensi tingkat pascasarjana kanonik. PCE jarang, strategi adaptif seperti EGO (Efficient Global Optimisation), dan pengganti deep learning adalah area penelitian aktif saat ini.

Kapan digunakan

UQ sesuai digunakan kapan pun model komputasi memiliki masukan yang tidak pasti — parameter yang diukur dengan kesalahan, kondisi batas yang hanya diketahui secara perkiraan, atau sifat material dengan variabilitas alami — dan analis perlu mengkarakterisasi bagaimana ketidakpastian tersebut memengaruhi keluaran model. Ini sangat berharga ketika simulator secara komputasi mahal (menit hingga jam per dijalankan), membuat Monte Carlo langsung tidak mungkin dilakukan. Ketidakpastian masukan harus dapat diekspresikan sebagai distribusi probabilitas; jika hanya batas kasus terburuk yang tersedia tanpa informasi probabilistik, metode interval atau fuzzy mungkin lebih cocok. PCE sangat cocok untuk jumlah masukan sedang (kira-kira hingga 10–15 dimensi sebelum kutukan dimensionalitas memerlukan varian jarang); pengganti Kriging dapat menangani dimensi yang agak lebih tinggi tetapi memerlukan desain eksperimen yang cermat untuk menjaga jumlah dijalankan pelatihan tetap terkelola. Kedua pendekatan mengasumsikan bahwa model cukup mulus sehingga aproksimasi polinomial atau proses Gaussian akurat.

Batasan dan pertimbangan

  • PCE menderita kutukan dimensionalitas: jumlah suku polinomial tumbuh pesat dengan jumlah masukan tidak pasti dan derajat polinomial, memerlukan PCE jarang atau strategi pengurangan dimensionalitas untuk masalah berdimensi tinggi.
  • Akurasi pengganti Kriging sangat bergantung pada desain eksperimen; terlalu sedikit atau titik pelatihan yang ditempatkan dengan buruk menghasilkan prediksi yang tidak dapat diandalkan di antaranya.
  • Kedua metode mengasumsikan respons simulator cukup mulus untuk diperkirakan dengan baik oleh polinomial atau proses Gaussian; diskontinuitas atau gradien tajam pada permukaan respons menurunkan akurasi.
  • Kualitas hasil UQ hanya sebaik distribusi masukan yang dipilih; distribusi masukan yang salah tentukan akan merambatkan ketidakpastian yang salah ke keluaran.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Memberikan karakterisasi lengkap distribusi keluaran — bukan hanya rata-rata atau kasus terburuk — memungkinkan pernyataan probabilistik yang ketat tentang prediksi model.
  • Indeks sensitivitas Sobol mengidentifikasi masukan tidak pasti mana yang mendorong variabilitas keluaran, memandu prioritas desain eksperimen dan pengumpulan data.
  • Setelah pengganti dibangun, analisis propagasi dan sensitivitas secara komputasi dapat diabaikan, membuat UQ praktis bahkan untuk simulator yang mahal.
  • PCE memberikan ekspresi analitis untuk rata-rata, varians, dan indeks sensitivitas, menghindari kebisingan sampling Monte Carlo pada kuantitas tersebut.

Penerapan

  • Mengkuantifikasi efek variabilitas sifat material pada keandalan struktural dalam simulasi kedirgantaraan dan teknik sipil.
  • Merambatkan ketidakpastian parameter melalui model iklim dan sistem bumi untuk mengkarakterisasi rentang hasil suhu atau tingkat laut yang diproyeksikan.
  • Menilai dampak ketidakpastian pengukuran pada prediksi kinerja perangkat medis dalam biomekanik komputasi.
  • Mendukung optimasi desain yang kuat dengan mengidentifikasi parameter desain mana yang paling mengurangi variabilitas keluaran, memprioritaskan toleransi manufaktur yang lebih ketat.
  • Mengevaluasi interval kepercayaan pada perkiraan model epidemi ketika parameter penularan diketahui secara tidak tepat.

Cara kerjanya

Cara kerjanya

1

Analis mengidentifikasi semua masukan model yang tidak pasti dan menetapkan setiap distribusi probabilitas — misalnya, distribusi uniform, normal, atau beta — yang merepresentasikan keadaan pengetahuan tentang kuantitas tersebut. Langkah ini mendasar: pilihan distribusi masukan secara langsung menentukan bentuk ketidakpastian keluaran dan harus didasarkan pada pengetahuan fisik atau data terukur daripada diasumsikan secara sewenang-wenang.

2

Untuk PCE, keluaran diperluas dalam basis polinomial ortogonal yang keluarganya sesuai dengan setiap distribusi masukan (polinomial Hermite untuk masukan normal, Legendre untuk uniform, dan seterusnya mengikuti skema Wiener–Askey). Koefisien polinomial diperkirakan dari serangkaian evaluasi model menggunakan regresi atau proyeksi. Untuk pengganti Kriging, strategi desain eksperimen — seperti sampling hypercube Latin atau desain pengisian ruang optimal — memilih sejumlah kecil titik masukan representatif, simulasi dijalankan pada titik-titik tersebut, dan model proses Gaussian disesuaikan untuk interpolasi di antaranya. Derajat polinomial (untuk PCE) atau kernel kovarians (untuk Kriging) harus dipilih dengan hati-hati untuk menyeimbangkan akurasi terhadap biaya komputasi.

3

Setelah pengganti dibangun, propagasi ketidakpastian menjadi murah. Untuk PCE, rata-rata dan varians keluaran muncul langsung dari koefisien polinomial tanpa simulasi tambahan. Untuk pengganti Kriging, jutaan sampel Monte Carlo dapat diambil dari distribusi masukan dan dijalankan melalui pengganti cepat daripada simulator yang mahal, menghasilkan distribusi keluaran lengkap dengan biaya yang jauh lebih sedikit. Distribusi yang dihasilkan mengkarakterisasi rentang dan kemungkinan semua keluaran yang mungkin mengingat ketidakpastian masukan.

4

Indeks sensitivitas global berbasis varians — yang dikenal sebagai indeks Sobol — menguraikan total varians keluaran menjadi kontribusi yang diatribusikan pada setiap masukan dan interaksi antar masukan. Untuk pengganti PCE, indeks-indeks ini diperoleh secara analitis dari koefisien polinomial; untuk pengganti Kriging, indeks-indeks ini diperkirakan dari sampel Monte Carlo yang dipropagasi. Indeks Sobol orde pertama melaporkan fraksi varians yang dijelaskan oleh setiap masukan saja; indeks orde total mencakup semua interaksi orde tinggi yang melibatkan masukan tersebut. Langkah ini mengidentifikasi masukan mana yang paling penting dan mana yang dapat diperbaiki untuk mengurangi ketidakpastian.

Kesalahan umum

  • Memilih distribusi masukan tanpa justifikasi fisik atau empiris — menetapkan distribusi normal hanya karena nyaman dapat menghasilkan distribusi keluaran yang salah merepresentasikan ketidakpastian sebenarnya.
  • Meremehkan derajat polinomial atau menggunakan desain pengisian ruang yang terlalu jarang relatif terhadap kompleksitas permukaan respons menyebabkan pengganti yang kurang pas dan meremehkan varians keluaran.
  • Mengabaikan interaksi antar masukan dengan hanya melaporkan indeks Sobol orde pertama dapat menyesatkan ketika interaksi masukan adalah sumber dominan varians; selalu periksa indeks orde total.
  • Menerapkan PCE dalam dimensi tinggi (di atas kira-kira 15 masukan) tanpa pemotongan jarang atau adaptif menyebabkan jumlah suku meledak, membuat estimasi koefisien tidak dapat diandalkan.
  • Memperlakukan pengganti sebagai sempurna dan tidak memvalidasinya terhadap evaluasi simulator yang ditahan sebelum menggunakannya untuk pengambilan keputusan adalah kesalahan umum dan mahal.

Pertanyaan yang sering diajukan

Apa perbedaan antara PCE dan pengganti Kriging?

PCE merepresentasikan keluaran model sebagai deret polinomial eksplisit dalam masukan yang tidak pasti, yang dipilih agar ortogonal terhadap distribusi masukan. Indeks sensitivitas Sobol dan momen mengikuti secara analitis dari koefisien. Kriging memperlakukan keluaran model sebagai realisasi dari proses Gaussian dan menginterpolasi di antara titik pelatihan, memberikan prediksi dan varians prediksi. PCE cenderung lebih efisien ketika dimensi masukan rendah dan responsnya mulus dan polinomial global; Kriging lebih fleksibel untuk respons yang tidak teratur atau bervariasi secara lokal dan dapat diperluas dengan strategi pembelajaran aktif seperti EGO.

Berapa banyak dijalankan simulator yang dibutuhkan untuk membangun pengganti yang andal?

Untuk PCE, minimumnya kira-kira dua hingga tiga kali jumlah suku basis polinomial, tetapi lebih banyak dijalankan meningkatkan akurasi. Untuk pengganti Kriging, aturan praktis umum adalah sepuluh kali jumlah masukan tidak pasti untuk desain awal, dengan titik tambahan ditambahkan secara adaptif jika anggaran memungkinkan. Dalam kedua kasus, validasi terhadap dijalankan yang ditahan sangat penting sebelum pengganti digunakan untuk pengambilan keputusan.

Apa itu indeks Sobol dan mengapa penting?

Indeks Sobol adalah ukuran sensitivitas global berbasis varians. Indeks orde pertama untuk masukan melaporkan fraksi varians keluaran total yang diatribusikan pada masukan tersebut saja. Indeks orde total mencakup semua interaksi antara masukan tersebut dan masukan lainnya. Bersama-sama, mereka memberi tahu analis masukan mana yang layak diukur lebih tepat dan mana yang dapat diperlakukan sebagai tetap tanpa secara signifikan memengaruhi ketidakpastian keluaran. Berbeda dengan ukuran sensitivitas lokal (berbasis turunan), indeks Sobol berlaku di seluruh distribusi masukan, bukan hanya di dekat titik nominal.

Bisakah UQ diterapkan ketika distribusi masukan tidak diketahui?

UQ dalam arti probabilistik mensyaratkan bahwa ketidakpastian masukan ditentukan sebagai distribusi probabilitas. Ketika hanya rentang atau batas yang tersedia tanpa pengetahuan distribusi, distribusi uniform terkadang digunakan sebagai pilihan konservatif, tetapi asumsi ini harus dibuat eksplisit. Jika analis benar-benar tidak dapat menetapkan distribusi — misalnya dalam pengaturan ketidakpastian mendalam — analisis skenario atau pendekatan optimasi yang kuat mungkin lebih sesuai daripada UQ probabilistik.

Metode terkait

Sumber

  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.

    Buka referensi DOI
    Disalin.
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    ISBN: 978-1611973211
    Disalin.