Skip to content
Torna ai risultati

Quantificazione dell'Incertezza — Caos Polinomiale e Surrogati Kriging

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

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La Quantificazione dell'Incertezza (UQ) è un quadro computazionale per misurare sistematicamente come l'incertezza negli input di un modello si propaghi in incertezza nei suoi output.

Basandosi sulla teoria del caos polinomiale di Wiener (1938) e formalizzata per problemi stocastici generali da Xiu e Karniadakis (2002), l'UQ utilizza due strategie primarie: l'Espansione del Caos Polinomiale (PCE), che rappresenta l'output del modello come una serie di polinomi ortogonali adattati alle distribuzioni di input, e i surrogati Kriging (processo Gaussiano), che sostituiscono una simulazione costosa con un'approssimazione statistica rapida adattata a un piccolo insieme di esecuzioni attentamente scelte.

L’intuizione alla base del metodo

Immaginate di eseguire una costosa simulazione computerizzata — un'analisi strutturale agli elementi finiti o un modello climatico — e sapete che diversi dei suoi input non sono numeri precisi ma quantità incerte estratte da distribuzioni. Eseguire la simulazione migliaia di volte con input casuali (Monte Carlo semplice) sarebbe accurato ma proibitivamente lento. L'UQ offre un percorso più intelligente: o esprimere l'output matematicamente come una funzione polinomiale degli input incerti (PCE), in modo che media, varianza e indici di sensibilità seguano analiticamente, o addestrare un modello surrogato economico (Kriging) su un piccolo numero di esecuzioni di simulazione strategicamente posizionate e quindi campionare dal surrogato a costo trascurabile. Entrambe le strategie trasformano simulazioni costose e a scatola nera in problemi trattabili, permettendovi di quantificare la variabilità dell'output e identificare quali input guidano la maggior parte di tale variabilità.

Storia

Le radici matematiche del caos polinomiale risalgono alla teoria del caos omogeneo di Wiener (1938), che rappresentava processi guidati dal moto Browniano utilizzando espansioni polinomiali di Hermite. Il metodo rimase in gran parte uno strumento teorico fino a quando Ghanem e Spanos (1991) lo applicarono all'analisi stocastica degli elementi finiti. La decisiva generalizzazione venne da Xiu e Karniadakis (2002), che dimostrarono che la base polinomiale ottimale dipende dalla distribuzione di input — lo schema Wiener–Askey — consentendo una PCE efficiente per un'ampia gamma di problemi ingegneristici. Contemporaneamente, i surrogati Kriging, originari della geostatistica (Krige, 1951; Matheron, 1963) e formalizzati come regressione di processo Gaussiano nell'apprendimento automatico, divennero uno strumento standard nella progettazione di esperimenti computazionali. Smith (2013) fornì la sintesi completa della teoria UQ, implementazione e applicazione che ora serve come riferimento canonico a livello di laurea. PCE sparse, strategie adattive come EGO (Efficient Global Optimisation) e surrogati di deep learning sono aree attive di ricerca attuale.

Quando usarlo

L'UQ è appropriata ogni volta che un modello computazionale ha input incerti — parametri misurati con errore, condizioni al contorno note solo approssimativamente, o proprietà dei materiali con variabilità naturale — e l'analista deve caratterizzare come tale incertezza influenzi gli output del modello. È particolarmente preziosa quando il simulatore è computazionalmente costoso (minuti o ore per esecuzione), rendendo il Monte Carlo diretto infattibile. Le incertezze di input devono essere esprimibili come distribuzioni di probabilità; se sono disponibili solo limiti peggiori senza informazioni probabilistiche, metodi intervallari o fuzzy potrebbero essere più adatti. La PCE è ben adatta a numeri moderati di input (circa fino a 10-15 dimensioni prima che la maledizione della dimensionalità richieda varianti sparse); i surrogati Kriging possono gestire dimensioni leggermente superiori ma richiedono un'attenta progettazione degli esperimenti per mantenere gestibile il numero di esecuzioni di addestramento. Entrambi gli approcci assumono che il modello sia sufficientemente liscio affinché un'approssimazione polinomiale o di processo Gaussiano sia accurata.

Limiti e considerazioni

  • La PCE soffre della maledizione della dimensionalità: il numero di termini polinomiali cresce rapidamente con il numero di input incerti e il grado polinomiale, richiedendo PCE sparse o strategie di riduzione della dimensionalità per problemi ad alta dimensionalità.
  • L'accuratezza di un surrogato Kriging dipende criticamente dalla progettazione degli esperimenti; punti di addestramento troppo pochi o mal posizionati producono previsioni inaffidabili tra di essi.
  • Entrambi i metodi assumono che la risposta del simulatore sia sufficientemente liscia da essere ben approssimata da polinomi o da un processo Gaussiano; discontinuità o gradienti netti nella superficie di risposta degradano l'accuratezza.
  • La qualità del risultato UQ è buona solo quanto le distribuzioni di input scelte; distribuzioni di input mal specificate propagano incertezza errata nell'output.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Fornisce una caratterizzazione completa della distribuzione dell'output — non solo una media o un caso peggiore — consentendo affermazioni probabilistiche rigorose sulle previsioni del modello.
  • Gli indici di sensibilità di Sobol identificano quali input incerti guidano la variabilità dell'output, guidando le priorità di progettazione degli esperimenti e di raccolta dati.
  • Una volta costruito il surrogato, l'analisi di propagazione e sensibilità è computazionalmente trascurabile, rendendo l'UQ pratica anche per simulatori costosi.
  • La PCE fornisce espressioni analitiche per media, varianza e indici di sensibilità, evitando il rumore del campionamento Monte Carlo in tali quantità.

Applicazioni

  • Quantificare l'effetto della variabilità delle proprietà dei materiali sull'affidabilità strutturale nelle simulazioni aerospaziali e di ingegneria civile.
  • Propagare l'incertezza dei parametri attraverso modelli climatici e di sistema terrestre per caratterizzare l'intervallo dei risultati proiettati di temperatura o livello del mare.
  • Valutare l'impatto dell'incertezza di misurazione sulle previsioni delle prestazioni dei dispositivi medici nella biomeccanica computazionale.
  • Supportare l'ottimizzazione robusta del progetto identificando quali parametri di progetto riducono maggiormente la variabilità dell'output, dando priorità a tolleranze di produzione più strette.
  • Valutare intervalli di confidenza sulle previsioni di modelli epidemici quando i parametri di trasmissione sono noti in modo impreciso.

Come funziona

Come funziona

1

L'analista identifica tutti gli input del modello incerti e assegna a ciascuno una distribuzione di probabilità — ad esempio, una distribuzione uniforme, normale o beta — che rappresenta lo stato di conoscenza su quella quantità. Questo passaggio è fondamentale: la scelta delle distribuzioni di input determina direttamente la forma dell'incertezza dell'output e deve essere basata sulla conoscenza fisica o sui dati misurati piuttosto che assunta arbitrariamente.

2

Per la PCE, l'output viene espanso in una base di polinomi ortogonali la cui famiglia si adatta a ciascuna distribuzione di input (polinomi di Hermite per input normali, Legendre per uniformi, e così via seguendo lo schema Wiener–Askey). I coefficienti polinomiali vengono stimati da un insieme di valutazioni del modello utilizzando regressione o proiezione. Per un surrogato Kriging, una strategia di progettazione degli esperimenti — come il campionamento Latin Hypercube o progetti ottimali di riempimento dello spazio — seleziona un piccolo numero di punti di input rappresentativi, la simulazione viene eseguita in quei punti e viene adattato un modello di processo Gaussiano per interpolare tra di essi. Il grado polinomiale (per PCE) o il kernel di covarianza (per Kriging) devono essere scelti con cura per bilanciare accuratezza e costo computazionale.

3

Una volta costruito il surrogato, la propagazione dell'incertezza è economica. Per la PCE, la media e la varianza dell'output emergono direttamente dai coefficienti polinomiali senza simulazioni aggiuntive. Per un surrogato Kriging, milioni di campioni Monte Carlo possono essere estratti dalle distribuzioni di input e fatti passare attraverso il surrogato rapido anziché il simulatore costoso, producendo la distribuzione completa dell'output a una frazione del costo. La distribuzione risultante caratterizza l'intervallo e la probabilità di tutti gli output possibili data l'incertezza di input.

4

Gli indici di sensibilità globale basati sulla varianza — noti come indici di Sobol — decompongono la varianza totale dell'output in contributi attribuibili a ciascun input e alle interazioni tra gli input. Per un surrogato PCE questi indici si ottengono analiticamente dai coefficienti polinomiali; per un surrogato Kriging si stimano dal campione Monte Carlo propagato. Gli indici di Sobol di primo ordine riportano la frazione di varianza spiegata da ciascun input da solo; gli indici di ordine totale includono tutte le interazioni di ordine superiore che coinvolgono quell'input. Questo passaggio identifica quali input contano di più e quali possono essere fissati per ridurre l'incertezza.

Errori comuni

  • Scegliere distribuzioni di input senza giustificazione fisica o empirica — assegnare una distribuzione normale semplicemente perché è conveniente può produrre distribuzioni di output che travisano la vera incertezza.
  • Sottostimare il grado polinomiale o utilizzare un progetto di riempimento dello spazio troppo sparso rispetto alla complessità della superficie di risposta porta a un surrogato che sottostima e sottostima la varianza dell'output.
  • Ignorare le interazioni tra gli input riportando solo indici di Sobol di primo ordine può essere fuorviante quando le interazioni tra gli input sono la fonte dominante di varianza; ispezionare sempre gli indici di ordine totale.
  • Applicare la PCE in alte dimensioni (sopra circa 15 input) senza troncamento sparso o adattivo fa esplodere il numero di termini, rendendo inaffidabile la stima dei coefficienti.
  • Trattare il surrogato come perfetto e non validarlo rispetto a valutazioni del simulatore tenute da parte prima di utilizzarlo per il processo decisionale è un errore comune e costoso.

Domande frequenti

Qual è la differenza tra PCE e un surrogato Kriging?

La PCE rappresenta l'output del modello come una serie polinomiale esplicita negli input incerti, scelta per essere ortogonale rispetto alle distribuzioni di input. Indici di sensibilità di Sobol e momenti seguono analiticamente dai coefficienti. Il Kriging tratta l'output del modello come una realizzazione di un processo Gaussiano e interpola tra i punti di addestramento, fornendo sia una previsione che una varianza di previsione. La PCE tende ad essere più efficiente quando la dimensione di input è bassa e la risposta è liscia e polinomiale globalmente; il Kriging è più flessibile per risposte irregolari o localmente variabili e può essere esteso con strategie di apprendimento attivo come EGO.

Quante esecuzioni del simulatore sono necessarie per costruire un surrogato affidabile?

Per la PCE, il minimo è circa da due a tre volte il numero di termini della base polinomiale, ma più esecuzioni migliorano l'accuratezza. Per un surrogato Kriging, una regola pratica comune è dieci volte il numero di input incerti per il progetto iniziale, con punti aggiuntivi aggiunti adattivamente se il budget lo consente. In entrambi i casi, la validazione rispetto a esecuzioni tenute da parte è essenziale prima che il surrogato venga utilizzato per il processo decisionale.

Cosa sono gli indici di Sobol e perché sono importanti?

Gli indici di Sobol sono misure di sensibilità globale basate sulla varianza. L'indice di primo ordine per un input riporta la frazione della varianza totale dell'output attribuibile a quell'input da solo. L'indice di ordine totale include tutte le interazioni tra quell'input e gli altri. Insieme dicono all'analista quali input valgono la pena di essere misurati più precisamente e quali possono essere trattati come fissi senza influenzare significativamente l'incertezza dell'output. A differenza delle misure di sensibilità locali (basate sulla derivata), gli indici di Sobol sono validi sull'intera distribuzione di input, non solo vicino a un punto nominale.

L'UQ può essere applicata quando le distribuzioni di input sono sconosciute?

L'UQ in senso probabilistico richiede che le incertezze di input siano specificate come distribuzioni di probabilità. Quando sono disponibili solo intervalli o limiti senza conoscenza distributiva, le distribuzioni uniformi sono talvolta utilizzate come scelta conservativa, ma questa assunzione dovrebbe essere resa esplicita. Se l'analista non può veramente assegnare una distribuzione — ad esempio in contesti di profonda incertezza — l'analisi di scenari o gli approcci di ottimizzazione robusta potrebbero essere più appropriati dell'UQ probabilistica.

Metodi correlati

Fonti

  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.

    Apri il riferimento DOI
    Copiato.
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    ISBN: 978-1611973211
    Copiato.