Skip to content
検索結果に戻る

不確実性定量化 — 多項式カオスとクリーギング代理モデル

提唱者
Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
年
Seminal modern form: 2002
種類
Computational uncertainty analysis framework

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

不確実性定量化(UQ)は、モデルの入力における不確実性がその出力にどのように不確実性を伝播するかを体系的に測定するための計算フレームワークである。ウィーナーの多項式カオス理論(1938)に基づき、一般的な確率問題に対してXiuとKarniadakis(2002)によって形式化されたUQは、2つの主要な戦略を使用する。1つは、入力分布に適合した直交多項式の級数としてモデル出力を表現する多項式カオス展開(PCE)であり、もう1つは、注意深く選択された少数の実行結果に適合させた高速統計近似によって高価なシミュレーションを置き換えるクリーギング(ガウス過程)代理モデルである。

手法の背後にある直感

高価なコンピュータシミュレーション――有限要素構造解析や気候モデル――を実行しており、その入力のいくつかが正確な数値ではなく、分布から抽出された不確実な量であることを知っていると想像してほしい。ランダムな入力でシミュレーションを数千回実行すること(通常のモンテカルロ法)は正確だが、費用がかかりすぎる。UQはより賢い方法を提供する。1つは、出力を不確実な入力の多項式関数として数学的に表現すること(PCE)であり、平均、分散、感度指数が解析的に求まる。もう1つは、戦略的に配置された少数のシミュレーション実行で安価な代理モデル(クリーギング)を訓練し、その代理モデルからわずかなコストでサンプリングすることである。どちらの戦略も、高価なブラックボックスシミュレーションを扱いやすい問題に変え、出力変動を定量化し、どの入力がその変動の大部分を駆動しているかを特定することを可能にする。

歴史学

多項式カオスの数学的ルーツは、ウィーナーの均質カオス理論(1938)にあり、これはエルミート多項式展開を用いてブラウン運動駆動プロセスを表した。この方法は、GhanemとSpanos(1991)が確率有限要素解析に適用するまで、主に理論的ツールであった。決定的な一般化は、XiuとKarniadakis(2002)によってもたらされ、彼らは最適な多項式基底が入力分布に依存すること――ウィーナー・アスキー・スキーム――を示し、幅広い工学問題に対する効率的なPCEを可能にした。同時に、地球統計学(Krige, 1951; Matheron, 1963)に起源を持ち、機械学習におけるガウス過程回帰として形式化されたクリーギング代理モデルが、コンピュータ実験設計における標準ツールとなった。Smith(2013)は、現在標準的な大学院レベルの参考文献となっているUQ理論、実装、および応用の包括的な統合を提供した。疎なPCE、EGO(Efficient Global Optimisation)のような適応戦略、および深層学習代理モデルは、現在の研究の活発な分野である。

使うべき場面

UQは、計算モデルに不確実な入力――誤差を伴って測定されたパラメータ、近似的にしか知られていない境界条件、または自然な変動を持つ材料特性――があり、分析者が出力にその不確実性がどのように影響するかを特徴づける必要がある場合に適切である。特にシミュレータが高価(実行あたり数分から数時間)で、直接モンテカルロ法が実行不可能である場合に価値がある。入力の不確実性は確率分布として表現できなければならない。確率的情報なしに最悪ケースの範囲しか利用できない場合は、区間法またはファジィ法がより適切かもしれない。PCEは、入力の数が適度(次元の呪いにより疎なバリアントが必要になる前に約10〜15次元)な場合に適している。クリーギング代理モデルは、やや高い次元を扱えるが、訓練実行数を管理可能に保つためには注意深い実験計画が必要である。どちらのアプローチも、モデルが多項式またはガウス過程近似で十分に近似できるほど滑らかであることを仮定している。

限界と注意点

  • PCEは次元の呪いに悩まされる。多項式項の数は、不確実な入力と多項式の次数とともに急速に増加するため、高次元問題には疎なPCEまたは次元削減戦略が必要となる。
  • クリーギング代理モデルの精度は、実験計画に決定的に依存する。訓練点の数が少なすぎたり、配置が悪かったりすると、それらの間の予測が信頼できなくなる。
  • どちらの方法も、シミュレータ応答が多項式またはガウス過程によって良好に近似できるほど滑らかであることを仮定している。応答曲面の不連続性または急峻な勾配は精度を低下させる。
  • UQ結果の品質は、選択された入力分布の品質と同じである。不適切に指定された入力分布は、真の不確実性を誤って出力に伝播させる。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 出力分布の完全な特徴づけを提供する――平均や最悪ケースだけでなく――、モデル予測に関する厳密な確率的記述を可能にする。
  • ソーボル感度指数は、出力変動を駆動する不確実な入力を特定し、実験計画とデータ収集の優先順位付けを導く。
  • 代理モデルが構築されると、伝播と感度分析は計算上無視できるほど小さくなり、UQは高価なシミュレータでも実用的になる。
  • PCEは、平均、分散、感度指数の解析的表現を提供し、これらの量におけるモンテカルロサンプリングノイズを回避する。

応用

  • 航空宇宙および土木工学シミュレーションにおける材料特性の変動性が構造信頼性に与える影響の定量化。
  • 気候および地球システムモデルにおけるパラメータ不確実性の伝播により、予測される温度または海面水位の結果の範囲を特徴づける。
  • 計算バイオメカニクスにおける測定不確実性が医療機器性能予測に与える影響の評価。
  • 出力変動を最も低減する設計パラメータを特定することにより、ロバスト設計最適化を支援し、より厳しい製造公差を優先する。
  • 伝染病モデル予測における信頼区間の評価、伝染パラメータが不正確に知られている場合。

使い方

使い方

1

分析者は、すべての不確実なモデル入力を特定し、それぞれに確率分布――例えば、一様分布、正規分布、またはベータ分布――を割り当てる。これは、その量に関する知識の状態を表す。このステップは基本的である。入力分布の選択は、出力の不確実性の形状を直接決定し、任意に仮定するのではなく、物理的知識または測定データに基づかなければならない。

2

PCEの場合、出力は、各入力分布に一致する直交多項式の基底(正規入力にはエルミート多項式、一様分布にはルジャンドル多項式など、ウィーナー・アスキー・スキームに従う)に展開される。多項式係数は、回帰または射影を用いて一連のモデル評価から推定される。クリーギング代理モデルの場合、実験計画戦略――例えば、ラテン超方格サンプリングや最適空間充填設計――が少数の代表的な入力点を選択し、それらの点でのシミュレーションが実行され、ガウス過程モデルがそれらの間を補間するように適合される。多項式の次数(PCEの場合)または共分散カーネル(クリーギングの場合)は、精度と計算コストのバランスをとるために注意深く選択する必要がある。

3

代理モデルが構築されると、不確実性伝播は安価になる。PCEの場合、出力の平均と分散は、追加のシミュレーションなしに多項式係数から直接得られる。クリーギング代理モデルの場合、数百万のモンテカルロサンプルを入力分布からサンプリングし、高価なシミュレータではなく高速な代理モデルを通して実行することで、コストのごく一部で完全な出力分布が得られる。結果として得られる分布は、入力の不確実性を考慮した場合のすべての可能な出力の範囲と確率を特徴づける。

4

分散ベースのグローバル感度指数――ソーボル指数として知られる――は、全出力分散を各入力および入力間の相互作用に起因する寄与に分解する。PCE代理モデルの場合、これらの指数は多項式係数から解析的に得られる。クリーギング代理モデルの場合、それらは伝播されたモンテカルロサンプルから推定される。一次ソーボル指数は、各入力単独で説明される分散の割合を示す。総次数指数は、その入力を含むすべての高次相互作用を含む。このステップは、どの入力が最も重要であり、どの入力が不確実性を減らすために固定できるかを特定する。

よくある落とし穴

  • 物理的または経験的根拠なしに入力分布を選択すること――単に便利だからという理由で正規分布を割り当てることは、真の不確実性を誤って表す出力分布を生成する可能性がある。
  • 多項式の次数を過小評価したり、応答曲面の複雑さに対して疎すぎる空間充填設計を使用したりすると、代理モデルが過小適合し、出力分散を過小評価することになる。
  • 一次ソーボル指数のみを報告することで入力間の相互作用を無視すると、入力相互作用が分散の主要な原因である場合に誤解を招く可能性がある。常に総次数指数を検査すること。
  • 疎または適応的な截断なしに高次元(約15入力以上)でPCEを適用すると、項数が爆発し、係数推定が信頼できなくなる。
  • 代理モデルを完璧とみなし、意思決定に使用する前に、保持されたシミュレータ評価で検証しないことは、一般的でコストのかかる誤りである。

よくある質問

PCEとクリーギング代理モデルの違いは何ですか?

PCEは、入力分布に関して直交するように選択された、不確実な入力における明示的な多項式級数としてモデル出力を表現する。ソーボル感度指数とモーメントは係数から解析的に導かれる。クリーギングは、モデル出力をガウス過程の実現として扱い、訓練点間の補間を行い、予測と予測分散の両方を提供する。PCEは、入力次元が低く、応答が滑らかで全体的に多項式的である場合に効率的である傾向がある。クリーギングは、不規則または局所的に変動する応答に対してより柔軟であり、EGOのようなアクティブラーニング戦略で拡張できる。

信頼性の高い代理モデルを構築するためにいくつのシミュレータ実行が必要ですか?

PCEの場合、最小数は多項式基底項数の約2〜3倍であるが、実行数が多いほど精度は向上する。クリーギング代理モデルの場合、一般的な経験則は、初期設計のために不確実な入力数の10倍であり、予算が許せば追加点が適応的に追加される。どちらの場合も、意思決定に使用する前に、保持された実行による検証が不可欠である。

ソーボル指数とは何ですか?なぜ重要ですか?

ソーボル指数は、分散ベースのグローバル感度尺度である。入力の一次指数は、その入力単独に起因する全出力分散の割合を示す。総次数指数は、その入力と他の入力との間のすべての相互作用を含む。これらを組み合わせることで、どの入力がより正確に測定する価値があり、出力の不確実性に大きな影響を与えることなく固定できるかが分析者にわかる。局所的(微分ベース)な感度尺度とは異なり、ソーボル指数は、公称点の近くだけでなく、入力分布全体で有効である。

入力分布が不明な場合でもUQを適用できますか?

確率的意味でのUQは、入力不確実性が確率分布として指定されることを必要とする。分布知識なしに範囲または境界しか利用できない場合、一様分布が保守的な選択肢として使用されることがあるが、この仮定は明示的に行う必要がある。分析者が真に分布を割り当てられない場合――例えば、深い不確実性の設定では――シナリオ分析またはロバスト最適化アプローチが、確率的UQよりも適切かもしれない。

関連する手法

参考文献

  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.

    DOI 文献を開く
    コピーしました。
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    ISBN:978-1611973211
    コピーしました。