Kwantyfikacja niepewności — Polinomialne chaostwo i zastępcze modele Kriginga
- Autor metody
- Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
- Rok
- Seminal modern form: 2002
- Typ
- Computational uncertainty analysis framework
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Kwantyfikacja niepewności (UQ) to ramy obliczeniowe służące do systematycznego mierzenia, jak niepewność w danych wejściowych modelu propaguje się do niepewności w jego danych wyjściowych.
Opierając się na teorii polinomialnego chaosu Wienera (1938) i sformalizowanej dla ogólnych problemów stochastycznych przez Xiu i Karniadakisa (2002), UQ wykorzystuje dwie podstawowe strategie: ekspansję polinomialnego chaosu (PCE), która przedstawia wynik modelu jako szereg ortogonalnych wielomianów dopasowanych do rozkładów wejściowych, oraz zastępcze modele Kriginga (procesy Gaussa), które zastępują kosztowną symulację szybkim przybliżeniem statystycznym dopasowanym do niewielkiego zbioru starannie wybranych przebiegów.
Intuicja stojąca za metodą
Wyobraźmy sobie, że przeprowadzamy kosztowną symulację komputerową — analizę strukturalną metodą elementów skończonych lub model klimatyczny — i wiemy, że kilka jej danych wejściowych to nie precyzyjne liczby, lecz niepewne wielkości pobrane z rozkładów. Uruchomienie symulacji tysiące razy z losowymi danymi wejściowymi (zwykły Monte Carlo) byłoby dokładne, ale zaporowo wolne. UQ oferuje sprytniejszą ścieżkę: albo wyrazić wynik matematycznie jako funkcję wielomianową niepewnych danych wejściowych (PCE), tak aby średnia, wariancja i wskaźniki wrażliwości wynikały analitycznie, albo wytrenować tani model zastępczy (Kriging) na niewielkiej liczbie strategicznie rozmieszczonych przebiegów symulacji, a następnie próbować z modelu zastępczego przy znikomo małym koszcie. Obie strategie przekształcają kosztowne, czarne skrzynki symulacji w problemy możliwe do rozwiązania, pozwalając na kwantyfikację zmienności wyników i identyfikację danych wejściowych, które tę zmienność najbardziej napędzają.
Historia
Matematyczne korzenie chaosu polinomialnego tkwią w teorii chaosu homogenicznego Wienera (1938), która przedstawiała procesy napędzane ruchem Browna za pomocą ekspansji wielomianów Hermite'a. Metoda pozostała w dużej mierze narzędziem teoretycznym, dopóki Ghanem i Spanos (1991) nie zastosowali jej do stochastycznych analiz metodą elementów skończonych. Decydująca generalizacja pochodzi od Xiu i Karniadakisa (2002), którzy pokazali, że optymalna baza wielomianów zależy od rozkładu wejściowego — schemat Wienera–Askeya — umożliwiając efektywne PCE dla szerokiego zakresu problemów inżynierskich. Równocześnie modele zastępcze Kriginga, wywodzące się z geostatystyki (Krige, 1951; Matheron, 1963) i sformalizowane jako regresja procesów Gaussa w uczeniu maszynowym, stały się standardowym narzędziem w projektowaniu eksperymentów komputerowych. Smith (2013) przedstawił kompleksową syntezę teorii UQ, implementacji i zastosowań, która obecnie służy jako kanoniczne odniesienie na poziomie studiów podyplomowych. Rzadkie PCE, strategie adaptacyjne takie jak EGO (Efficient Global Optimisation) i modele zastępcze głębokiego uczenia są aktywnymi obszarami bieżących badań.
Kiedy stosować
UQ jest odpowiednie, gdy model obliczeniowy ma niepewne dane wejściowe — parametry mierzone z błędem, warunki brzegowe znane tylko przybliżeniowo lub właściwości materiałowe o naturalnej zmienności — a analityk musi scharakteryzować, jak ta niepewność wpływa na wyniki modelu. Jest szczególnie cenne, gdy symulator jest kosztowny obliczeniowo (minuty do godzin na przebieg), co czyni bezpośredni Monte Carlo niewykonalnym. Niepewności wejściowe muszą być wyrażalne jako rozkłady prawdopodobieństwa; jeśli dostępne są tylko granice najgorszego przypadku bez informacji probabilistycznych, metody przedziałowe lub rozmyte mogą być bardziej odpowiednie. PCE jest dobrze dopasowane do umiarkowanej liczby danych wejściowych (około do 10–15 wymiarów, zanim klątwa wymiarowości wymaga rzadkich wariantów); modele zastępcze Kriginga mogą obsługiwać nieco wyższe wymiary, ale wymagają starannego projektowania eksperymentów, aby liczba przebiegów treningowych była zarządzalna. Oba podejścia zakładają, że model jest wystarczająco gładki, aby przybliżenie wielomianowe lub procesem Gaussa było dokładne.
Ograniczenia i uwagi
- PCE cierpi na klątwę wymiarowości: liczba wyrazów wielomianowych szybko rośnie wraz z liczbą niepewnych danych wejściowych i stopniem wielomianu, wymagając rzadkich PCE lub strategii redukcji wymiarowości dla problemów o wysokiej wymiarowości.
- Dokładność modelu zastępczego Kriginga krytycznie zależy od projektu eksperymentów; zbyt mało lub źle rozmieszczonych punktów treningowych daje nierzetelne interpolacje między nimi.
- Obie metody zakładają, że odpowiedź symulatora jest wystarczająco gładka, aby można ją było dobrze przybliżyć wielomianami lub procesem Gaussa; nieciągłości lub ostre gradienty na powierzchni odpowiedzi pogarszają dokładność.
- Jakość wyniku UQ jest tylko tak dobra, jak wybrane rozkłady wejściowe; źle określone rozkłady wejściowe propagują nieprawidłową niepewność do wyniku.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Zapewnia pełną charakterystykę rozkładu wyjściowego — nie tylko średnią lub najgorszy przypadek — umożliwiając rygorystyczne stwierdzenia probabilistyczne dotyczące prognoz modelu.
- Wskaźniki wrażliwości Sobola identyfikują, które niepewne dane wejściowe napędzają zmienność wyników, kierując priorytety projektowania eksperymentów i zbierania danych.
- Po zbudowaniu modelu zastępczego propagacja i analiza wrażliwości są obliczeniowo zaniedbywalne, co czyni UQ praktycznym nawet dla kosztownych symulatorów.
- PCE dostarcza analitycznych wyrażeń dla średniej, wariancji i wskaźników wrażliwości, unikając szumu próbkowania Monte Carlo w tych wielkościach.
Zastosowania
- Kwantyfikacja wpływu zmienności właściwości materiałowych na niezawodność konstrukcji w symulacjach inżynierii lotniczej i lądowej.
- Propagacja niepewności parametrów przez modele klimatyczne i systemów ziemskich w celu scharakteryzowania zakresu prognozowanych wyników temperatury lub poziomu morza.
- Ocena wpływu niepewności pomiarowej na prognozy wydajności urządzeń medycznych w obliczeniowej biomechanice.
- Wspieranie optymalizacji projektowania odpornego poprzez identyfikację, które parametry projektowe najbardziej redukują zmienność wyników, priorytetyzując ciaśniejsze tolerancje produkcyjne.
- Ocena przedziałów ufności dla prognoz modeli epidemiologicznych, gdy parametry transmisji są niedokładnie znane.
Jak to działa
Jak to działa
Analityk identyfikuje wszystkie niepewne dane wejściowe modelu i przypisuje każdemu rozkład prawdopodobieństwa — na przykład rozkład jednostajny, normalny lub beta — który reprezentuje stan wiedzy o tej wielkości. Ten krok jest fundamentalny: wybór rozkładów wejściowych bezpośrednio determinuje kształt niepewności wyjściowej i musi być oparty na wiedzy fizycznej lub danych zmierzonych, a nie przyjmowany arbitralnie.
Dla PCE wynik jest rozwijany w bazie wielomianów ortogonalnych, których rodzina odpowiada każdemu rozkładowi wejściowemu (wielomiany Hermite'a dla danych normalnych, Legendre'a dla jednostajnych i tak dalej, zgodnie ze schematem Wienera–Askeya). Współczynniki wielomianowe są estymowane z zestawu ewaluacji modelu przy użyciu regresji lub projekcji. Dla modelu zastępczego Kriginga strategia projektowania eksperymentów — taka jak próbkowanie hiperkostki łacińskiej lub optymalne projekty wypełniające przestrzeń — wybiera niewielką liczbę reprezentatywnych punktów wejściowych, symulacja jest uruchamiana w tych punktach, a model procesu Gaussa jest dopasowywany do interpolacji między nimi. Stopień wielomianu (dla PCE) lub jądro kowariancji (dla Kriginga) muszą być starannie dobrane, aby zrównoważyć dokładność z kosztem obliczeniowym.
Gdy model zastępczy jest zbudowany, propagacja niepewności jest tania. Dla PCE średnia i wariancja wyjściowa wynikają bezpośrednio ze współczynników wielomianowych bez dodatkowych symulacji. Dla modelu zastępczego Kriginga miliony próbek Monte Carlo mogą być pobrane z rozkładów wejściowych i przepuszczone przez szybki model zastępczy zamiast kosztownego symulatora, dając pełny rozkład wyjściowy przy ułamku kosztu. Wynikowy rozkład charakteryzuje zakres i prawdopodobieństwo wszystkich możliwych wyników, biorąc pod uwagę niepewność wejściową.
Wskaźniki wrażliwości globalnej oparte na wariancji — znane jako wskaźniki Sobola — rozkładają całkowitą wariancję wyjściową na wkłady przypisywane każdemu wejściu i interakcjom między wejściami. Dla modelu zastępczego PCE wskaźniki te są uzyskiwane analitycznie ze współczynników wielomianowych; dla modelu zastępczego Kriginga są one estymowane z propagowanej próbki Monte Carlo. Wskaźniki Sobola pierwszego rzędu podają ułamek wariancji wyjaśnionej przez każde wejście z osobna; wskaźniki całkowite obejmują wszystkie interakcje wyższego rzędu z udziałem tego wejścia. Ten krok identyfikuje, które dane wejściowe są najważniejsze, a które można ustalić, aby zmniejszyć niepewność.
Częste pułapki
- Wybór rozkładów wejściowych bez uzasadnienia fizycznego lub empirycznego — przypisanie rozkładu normalnego tylko dlatego, że jest wygodny, może prowadzić do rozkładów wyjściowych, które błędnie przedstawiają prawdziwą niepewność.
- Niedoszacowanie stopnia wielomianu lub użycie projektu wypełniającego przestrzeń, który jest zbyt rzadki w stosunku do złożoności powierzchni odpowiedzi, prowadzi do modelu zastępczego, który niedopasowuje się i niedoszacowuje wariancji wyjściowej.
- Ignorowanie interakcji między danymi wejściowymi poprzez raportowanie tylko wskaźników Sobola pierwszego rzędu może być mylące, gdy interakcje między danymi wejściowymi są dominującym źródłem wariancji; zawsze należy sprawdzać wskaźniki całkowitego rzędu.
- Stosowanie PCE w wysokich wymiarach (powyżej około 15 danych wejściowych) bez rzadkiego lub adaptacyjnego obcinania powoduje eksplozję liczby wyrazów, co czyni estymację współczynników nierzetelną.
- Traktowanie modelu zastępczego jako doskonałego i niezweryfikowanie go na podstawie odłożonych ewaluacji symulatora przed użyciem go do podejmowania decyzji jest powszechnym i kosztownym błędem.
Najczęściej zadawane pytania
Jaka jest różnica między PCE a modelem zastępczym Kriginga?
PCE przedstawia wynik modelu jako jawną serię wielomianową względem danych wejściowych, wybraną tak, aby była ortogonalna względem rozkładów wejściowych. Wskaźniki wrażliwości Sobola i momenty wynikają analitycznie ze współczynników. Kriging traktuje wynik modelu jako realizację procesu Gaussa i interpoluje między punktami treningowymi, zapewniając zarówno predykcję, jak i wariancję predykcji. PCE jest zazwyczaj bardziej wydajne, gdy wymiar wejściowy jest niski, a odpowiedź jest gładka i globalnie wielomianowa; Kriging jest bardziej elastyczny dla nieregularnych lub lokalnie zmiennych odpowiedzi i może być rozszerzony o strategie aktywnego uczenia, takie jak EGO.
Ile przebiegów symulatora jest potrzebnych do zbudowania rzetelnego modelu zastępczego?
Dla PCE minimum to około dwa do trzech razy więcej niż liczba wyrazów bazy wielomianowej, ale więcej przebiegów poprawia dokładność. Dla modelu zastępczego Kriginga powszechną zasadą jest dziesięć razy więcej niż liczba niepewnych danych wejściowych dla początkowego projektu, z dodatkowymi punktami dodawanymi adaptacyjnie, jeśli budżet na to pozwala. W obu przypadkach walidacja na podstawie odłożonych przebiegów jest niezbędna przed użyciem modelu zastępczego do podejmowania decyzji.
Czym są wskaźniki Sobola i dlaczego są ważne?
Wskaźniki Sobola to miary wrażliwości globalnej oparte na wariancji. Wskaźnik pierwszego rzędu dla danych wejściowych podaje ułamek całkowitej wariancji wyjściowej przypisywanej tylko tym danym wejściowym. Wskaźnik całkowitego rzędu obejmuje wszystkie interakcje między tymi danymi wejściowymi a innymi. Razem mówią analitykowi, które dane wejściowe są warte dokładniejszego zmierzenia, a które można traktować jako ustalone bez znaczącego wpływu na niepewność wyjściową. W przeciwieństwie do lokalnych (opartych na pochodnych) miar wrażliwości, wskaźniki Sobola są ważne w całym rozkładzie wejściowym, a nie tylko w pobliżu punktu nominalnego.
Czy UQ można zastosować, gdy rozkłady wejściowe są nieznane?
UQ w sensie probabilistycznym wymaga, aby niepewności wejściowe były określone jako rozkłady prawdopodobieństwa. Gdy dostępne są tylko zakresy lub granice bez wiedzy o rozkładzie, czasami używa się rozkładów jednostajnych jako konserwatywnego wyboru, ale to założenie powinno być jawne. Jeśli analityk rzeczywiście nie może przypisać rozkładu — na przykład w sytuacjach głębokiej niepewności — analiza scenariuszowa lub podejścia optymalizacji odpornej mogą być bardziej odpowiednie niż probabilistyczne UQ.
Pokrewne metody
Źródła
Xiu, D. & Karniadakis, G.E. (2002). The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, 24(2), 619–644.
Otwórz odnośnik DOISkopiowano.Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.
ISBN: 978-1611973211Skopiowano.