Quantificação de Incerteza — Caos Polinomial e Surrogate Kriging
- Proposto por
- Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
- Ano
- Seminal modern form: 2002
- Tipo
- Computational uncertainty analysis framework
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Quantificação de Incerteza (UQ) é um arcabouço computacional para medir sistematicamente como a incerteza nas entradas de um modelo se propaga para incerteza em suas saídas.
Baseando-se na teoria do caos polinomial de Wiener (1938) e formalizada para problemas estocásticos gerais por Xiu e Karniadakis (2002), UQ usa duas estratégias primárias: Expansão de Caos Polinomial (PCE), que representa a saída do modelo como uma série de polinômios ortogonais ajustados às distribuições de entrada, e surrogates Kriging (processo Gaussiano), que substituem uma simulação custosa por uma aproximação estatística rápida ajustada a um pequeno conjunto de execuções cuidadosamente escolhidas.
A intuição por trás do método
Imagine que você está executando uma simulação computacional custosa — uma análise estrutural por elementos finitos ou um modelo climático — e sabe que várias de suas entradas não são números precisos, mas quantidades incertas extraídas de distribuições. Executar a simulação milhares de vezes com entradas aleatórias (Monte Carlo simples) seria preciso, mas proibitivamente lento. UQ oferece um caminho mais inteligente: ou expressar a saída matematicamente como uma função polinomial das entradas incertas (PCE), de modo que média, variância e índices de sensibilidade sigam analiticamente, ou treinar um modelo surrogate barato (Kriging) em um pequeno número de execuções de simulação estrategicamente posicionadas e, em seguida, amostrar do surrogate a um custo insignificante. Ambas as estratégias transformam simulações caras e de caixa-preta em problemas tratáveis, permitindo quantificar a variabilidade da saída e identificar quais entradas impulsionam a maior parte dessa variabilidade.
História
As raízes matemáticas do caos polinomial residem na teoria do caos homogêneo de Wiener (1938), que representava processos impulsionados pelo movimento Browniano usando expansões de polinômios de Hermite. O método permaneceu em grande parte uma ferramenta teórica até que Ghanem e Spanos (1991) o aplicaram à análise estocástica de elementos finitos. A generalização decisiva veio de Xiu e Karniadakis (2002), que mostraram que a base polinomial ótima depende da distribuição de entrada — o esquema Wiener–Askey — permitindo PCE eficiente para uma ampla gama de problemas de engenharia. Concomitantemente, os surrogates Kriging, originários da geoestatística (Krige, 1951; Matheron, 1963) e formalizados como regressão de processo Gaussiano em aprendizado de máquina, tornaram-se uma ferramenta padrão no projeto de experimentos computacionais. Smith (2013) forneceu a síntese abrangente de teoria, implementação e aplicação de UQ que agora serve como referência canônica em nível de pós-graduação. PCE esparso, estratégias adaptativas como EGO (Efficient Global Optimisation) e surrogates de deep learning são áreas ativas de pesquisa atual.
Quando usar
UQ é apropriado sempre que um modelo computacional tem entradas incertas — parâmetros medidos com erro, condições de contorno que são conhecidas apenas aproximadamente, ou propriedades de materiais com variabilidade natural — e o analista precisa caracterizar como essa incerteza afeta as saídas do modelo. É especialmente valioso quando o simulador é computacionalmente caro (minutos a horas por execução), tornando o Monte Carlo direto inviável. As incertezas de entrada devem ser expressáveis como distribuições de probabilidade; se apenas limites de pior caso estiverem disponíveis sem informação probabilística, métodos intervalares ou fuzzy podem ser mais adequados. PCE é bem adequado para um número moderado de entradas (aproximadamente até 10–15 dimensões antes que a maldição da dimensionalidade exija variantes esparsas); surrogates Kriging podem lidar com dimensões um pouco mais altas, mas exigem projeto de experimentos cuidadoso para manter o número de execuções de treinamento gerenciável. Ambas as abordagens assumem que o modelo é suficientemente suave para que uma aproximação polinomial ou de processo Gaussiano seja precisa.
Limitações e considerações
- PCE sofre da maldição da dimensionalidade: o número de termos polinomiais cresce rapidamente com o número de entradas incertas e o grau polinomial, exigindo PCE esparso ou estratégias de redução de dimensionalidade para problemas de alta dimensão.
- A precisão de um surrogate Kriging depende criticamente do projeto de experimentos; poucos pontos de treinamento ou mal posicionados produzem previsões não confiáveis entre eles.
- Ambos os métodos assumem que a resposta do simulador é suave o suficiente para ser bem aproximada por polinômios ou um processo Gaussiano; descontinuidades ou gradientes acentuados na superfície de resposta degradam a precisão.
- A qualidade do resultado de UQ é tão boa quanto as distribuições de entrada escolhidas; distribuições de entrada mal especificadas propagam incerteza incorreta para a saída.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Fornece uma caracterização completa da distribuição de saída — não apenas uma média ou pior caso — permitindo declarações probabilísticas rigorosas sobre as previsões do modelo.
- Índices de sensibilidade de Sobol identificam quais entradas incertas impulsionam a variabilidade da saída, guiando o projeto de experimentos e as prioridades de coleta de dados.
- Uma vez que o surrogate é construído, a propagação e a análise de sensibilidade são computacionalmente negligenciáveis, tornando UQ prático mesmo para simuladores caros.
- PCE entrega expressões analíticas para média, variância e índices de sensibilidade, evitando ruído de amostragem de Monte Carlo nessas quantidades.
Aplicações
- Quantificar o efeito da variabilidade das propriedades dos materiais na confiabilidade estrutural em simulações de engenharia aeroespacial e civil.
- Propagar a incerteza de parâmetros através de modelos climáticos e de sistemas terrestres para caracterizar a faixa de resultados projetados de temperatura ou nível do mar.
- Avaliar o impacto da incerteza de medição nas previsões de desempenho de dispositivos médicos em biomecânica computacional.
- Apoiar a otimização de projeto robusta identificando quais parâmetros de projeto mais reduzem a variabilidade de saída, priorizando tolerâncias de fabricação mais rigorosas.
- Avaliar intervalos de confiança em previsões de modelos epidêmicos quando os parâmetros de transmissão são conhecidos de forma imprecisa.
Como funciona
Como funciona
O analista identifica todas as entradas incertas do modelo e atribui a cada uma uma distribuição de probabilidade — por exemplo, uma distribuição uniforme, normal ou beta — que representa o estado de conhecimento sobre essa quantidade. Esta etapa é fundamental: a escolha das distribuições de entrada determina diretamente a forma da incerteza de saída e deve ser baseada em conhecimento físico ou dados medidos, em vez de assumida arbitrariamente.
Para PCE, a saída é expandida em uma base de polinômios ortogonais cuja família corresponde a cada distribuição de entrada (polinômios de Hermite para entradas normais, Legendre para uniformes, e assim por diante, seguindo o esquema Wiener–Askey). Os coeficientes polinomiais são estimados a partir de um conjunto de avaliações do modelo usando regressão ou projeção. Para um surrogate Kriging, uma estratégia de projeto de experimentos — como amostragem de hipercubo latino ou projetos ótimos de preenchimento de espaço — seleciona um pequeno número de pontos de entrada representativos, a simulação é executada nesses pontos e um modelo de processo Gaussiano é ajustado para interpolar entre eles. O grau polinomial (para PCE) ou o kernel de covariância (para Kriging) devem ser escolhidos com cuidado para equilibrar precisão contra custo computacional.
Uma vez que o surrogate é construído, a propagação da incerteza é barata. Para PCE, a média e a variância de saída emergem diretamente dos coeficientes polinomiais sem simulações adicionais. Para um surrogate Kriging, milhões de amostras de Monte Carlo podem ser extraídas das distribuições de entrada e passadas pelo surrogate rápido em vez do simulador caro, gerando a distribuição de saída completa a uma fração do custo. A distribuição resultante caracteriza a faixa e a probabilidade de todas as saídas possíveis dadas as incertezas de entrada.
Índices de sensibilidade global baseados em variância — conhecidos como índices de Sobol — decompõem a variância total da saída em contribuições atribuíveis a cada entrada e a interações entre entradas. Para um surrogate PCE, esses índices são obtidos analiticamente a partir dos coeficientes polinomiais; para um surrogate Kriging, eles são estimados a partir da amostra de Monte Carlo propagada. Índices de Sobol de primeira ordem relatam a fração da variância explicada por cada entrada isoladamente; índices de ordem total incluem todas as interações de ordem superior envolvendo essa entrada. Esta etapa identifica quais entradas são mais importantes e quais podem ser fixadas para reduzir a incerteza.
Erros comuns
- Escolher distribuições de entrada sem justificativa física ou empírica — atribuir uma distribuição normal simplesmente porque é conveniente pode produzir distribuições de saída que deturpam a incerteza real.
- Subestimar o grau polinomial ou usar um projeto de preenchimento de espaço muito esparso em relação à complexidade da superfície de resposta leva a um surrogate que subajusta e subestima a variância de saída.
- Ignorar interações entre entradas relatando apenas índices de Sobol de primeira ordem pode ser enganoso quando as interações de entrada são a fonte dominante de variância; sempre inspecione os índices de ordem total.
- Aplicar PCE em altas dimensões (acima de aproximadamente 15 entradas) sem truncamento esparso ou adaptativo faz com que o número de termos exploda, tornando a estimação de coeficientes não confiável.
- Tratar o surrogate como perfeito e não validá-lo contra avaliações de simulador retidas antes de usá-lo para tomada de decisão é um erro comum e custoso.
Perguntas frequentes
Qual é a diferença entre PCE e um surrogate Kriging?
PCE representa a saída do modelo como uma série polinomial explícita nas entradas incertas, escolhida para ser ortogonal em relação às distribuições de entrada. Índices de sensibilidade de Sobol e momentos seguem analiticamente a partir dos coeficientes. Kriging trata a saída do modelo como uma realização de um processo Gaussiano e interpola entre pontos de treinamento, fornecendo tanto uma previsão quanto uma variância de previsão. PCE tende a ser mais eficiente quando a dimensão de entrada é baixa e a resposta é suave e globalmente polinomial; Kriging é mais flexível para respostas irregulares ou localmente variáveis e pode ser estendido com estratégias de aprendizado ativo como EGO.
Quantas execuções de simulador são necessárias para construir um surrogate confiável?
Para PCE, o mínimo é aproximadamente duas a três vezes o número de termos da base polinomial, mas mais execuções melhoram a precisão. Para um surrogate Kriging, uma regra prática comum é dez vezes o número de entradas incertas para o projeto inicial, com pontos adicionais adicionados adaptativamente se o orçamento permitir. Em ambos os casos, a validação contra execuções retidas é essencial antes que o surrogate seja usado para tomada de decisão.
O que são índices de Sobol e por que eles importam?
Índices de Sobol são medidas de sensibilidade global baseadas em variância. O índice de primeira ordem para uma entrada relata a fração da variância total da saída atribuível apenas a essa entrada. O índice de ordem total inclui todas as interações entre essa entrada e outras. Juntos, eles informam ao analista quais entradas valem a pena medir com mais precisão e quais podem ser tratadas como fixas sem afetar significativamente a incerteza de saída. Ao contrário das medidas de sensibilidade local (baseadas em derivadas), os índices de Sobol são válidos em toda a distribuição de entrada, não apenas perto de um ponto nominal.
UQ pode ser aplicado quando as distribuições de entrada são desconhecidas?
UQ no sentido probabilístico requer que as incertezas de entrada sejam especificadas como distribuições de probabilidade. Quando apenas faixas ou limites estão disponíveis sem conhecimento distribucional, distribuições uniformes são às vezes usadas como uma escolha conservadora, mas essa suposição deve ser explicitada. Se o analista genuinamente não puder atribuir uma distribuição — por exemplo, em cenários de incerteza profunda — análise de cenários ou abordagens de otimização robusta podem ser mais apropriadas do que UQ probabilístico.
Métodos relacionados
Fontes
Xiu, D. & Karniadakis, G.E. (2002). The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, 24(2), 619–644.
Abrir referência DOICopiado.Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.
ISBN: 978-1611973211Copiado.