Skip to content
กลับไปยังผลการค้นหา

การวัดปริมาณความไม่แน่นอน — โพลีโนเมียลเคออสและเคอริ่งเซอร์โรเกต

ผู้เสนอ
Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
ปี
Seminal modern form: 2002
ประเภท
Computational uncertainty analysis framework

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวัดปริมาณความไม่แน่นอน (Uncertainty Quantification: UQ) เป็นกรอบการคำนวณสำหรับการวัดผลอย่างเป็นระบบว่าความไม่แน่นอนในอินพุตของแบบจำลองแพร่กระจายไปยังความไม่แน่นอนในเอาต์พุตอย่างไร โดยต่อยอดจากทฤษฎีโพลีโนเมียลเคออสของ Wiener (1938) และทำให้เป็นรูปธรรมสำหรับปัญหาเชิงสุ่มทั่วไปโดย Xiu และ Karniadakis (2002) UQ ใช้กลยุทธ์หลักสองประการ: การกระจายโพลีโนเมียลเคออส (Polynomial Chaos Expansion: PCE) ซึ่งแสดงเอาต์พุตของแบบจำลองเป็นอนุกรมของพหุนามเชิงตั้งฉากที่ตรงกับการกระจายของอินพุต และเซอร์โรเกตเคอริ่ง (Kriging surrogate) หรือกระบวนการเกาส์เซียน (Gaussian process) ซึ่งแทนที่การจำลองที่ต้องใช้ต้นทุนสูงด้วยการประมาณทางสถิติที่รวดเร็วซึ่งปรับให้เข้ากับชุดการรันที่เลือกอย่างระมัดระวังจำนวนเล็กน้อย

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพว่าคุณกำลังทำการจำลองด้วยคอมพิวเตอร์ที่มีค่าใช้จ่ายสูง — การวิเคราะห์โครงสร้างแบบไฟไนต์เอลิเมนต์ (finite-element) หรือแบบจำลองสภาพภูมิอากาศ — และคุณทราบว่าอินพุตหลายตัวไม่ใช่ตัวเลขที่แม่นยำ แต่เป็นปริมาณที่ไม่แน่นอนซึ่งดึงมาจากค่าการกระจาย การรันการจำลองหลายพันครั้งด้วยอินพุตแบบสุ่ม (การจำลองแบบมอนติคาร์โลธรรมดา) จะมีความแม่นยำ แต่จะช้าจนเกินไป UQ นำเสนอเส้นทางที่ชาญฉลาดกว่า: ไม่ว่าจะแสดงเอาต์พุตในทางคณิตศาสตร์ในรูปของฟังก์ชันพหุนามของอินพุตที่ไม่แน่นอน (PCE) เพื่อให้ค่าเฉลี่ย ความแปรปรวน และดัชนีความไวสามารถหาได้จากการวิเคราะห์ หรือฝึกแบบจำลองเซอร์โรเกตที่ราคาถูก (Kriging) จากการรันการจำลองจำนวนเล็กน้อยที่วางตำแหน่งอย่างมีกลยุทธ์ แล้วสุ่มตัวอย่างจากเซอร์โรเกตด้วยต้นทุนที่น้อยมาก กลยุทธ์ทั้งสองนี้ทำให้การจำลองแบบกล่องดำ (black-box) ที่มีค่าใช้จ่ายสูงกลายเป็นปัญหาที่จัดการได้ ทำให้คุณสามารถวัดปริมาณความผันแปรของเอาต์พุตและระบุได้ว่าอินพุตใดเป็นตัวขับเคลื่อนความผันแปรส่วนใหญ่

ประวัติศาสตร์

รากฐานทางคณิตศาสตร์ของโพลีโนเมียลเคออสมาจากทฤษฎีโฮโมจีเนียสเคออส (homogeneous chaos theory) ของ Wiener (1938) ซึ่งแสดงกระบวนการที่ขับเคลื่อนด้วยการเคลื่อนที่แบบบราวน์ (Brownian motion) โดยใช้การกระจายพหุนาม Hermite วิธีนี้ยังคงเป็นเครื่องมือทางทฤษฎีเป็นส่วนใหญ่จนกระทั่ง Ghanem และ Spanos (1991) นำไปใช้กับการวิเคราะห์ไฟไนต์เอลิเมนต์เชิงสุ่ม การทำให้เป็นรูปธรรมที่สำคัญมาจาก Xiu และ Karniadakis (2002) ซึ่งแสดงให้เห็นว่าฐานพหุนามที่เหมาะสมขึ้นอยู่กับการกระจายของอินพุต — แผนผัง Wiener–Askey — ทำให้ PCE มีประสิทธิภาพสำหรับปัญหาทางวิศวกรรมที่หลากหลาย ในขณะเดียวกัน เซอร์โรเกตเคอริ่ง ซึ่งมีต้นกำเนิดในธรณีสถิติ (geostatistics) (Krige, 1951; Matheron, 1963) และทำให้เป็นรูปธรรมในฐานะการถดถอยกระบวนการเกาส์เซียน (Gaussian process regression) ในการเรียนรู้ของเครื่อง (machine learning) ได้กลายเป็นเครื่องมือมาตรฐานในการออกแบบการทดลองด้วยคอมพิวเตอร์ Smith (2013) ได้ให้การสังเคราะห์ที่ครอบคลุมของทฤษฎี UQ การนำไปปฏิบัติ และการประยุกต์ใช้ ซึ่งปัจจุบันทำหน้าที่เป็นแหล่งอ้างอิงระดับบัณฑิตศึกษาที่เป็นแบบอย่าง PCE แบบเบาบาง กลยุทธ์แบบปรับได้ เช่น EGO (Efficient Global Optimisation) และเซอร์โรเกตการเรียนรู้เชิงลึก (deep-learning surrogates) เป็นหัวข้อที่กำลังมีการวิจัยอย่างต่อเนื่อง

ควรใช้เมื่อใด

UQ เหมาะสมเมื่อใดก็ตามที่แบบจำลองการคำนวณมีอินพุตที่ไม่แน่นอน — พารามิเตอร์ที่วัดด้วยข้อผิดพลาด เงื่อนไขขอบเขตที่ทราบเพียงประมาณ หรือคุณสมบัติของวัสดุที่มีความแปรปรวนตามธรรมชาติ — และนักวิเคราะห์ต้องการอธิบายว่าความไม่แน่นอนนั้นส่งผลต่อผลลัพธ์ของแบบจำลองอย่างไร มีประโยชน์อย่างยิ่งเมื่อตัวจำลองต้องใช้ต้นทุนการคำนวณสูง (นาทีถึงชั่วโมงต่อการรัน) ทำให้การจำลองแบบมอนติคาร์โลโดยตรงเป็นไปไม่ได้ ความไม่แน่นอนของอินพุตต้องสามารถแสดงออกมาในรูปของการกระจายความน่าจะเป็นได้ หากมีเพียงขอบเขตที่แย่ที่สุด (worst-case bounds) โดยไม่มีข้อมูลเชิงความน่าจะเป็น วิธีการแบบช่วง (interval) หรือแบบฟัซซี (fuzzy) อาจเหมาะสมกว่า PCE เหมาะสมกับจำนวนอินพุตปานกลาง (ประมาณ 10–15 มิติ ก่อนที่คำสาปแห่งมิติ (curse of dimensionality) จะต้องการรูปแบบที่เบาบาง (sparse variants)) เซอร์โรเกตเคอริ่งสามารถจัดการกับมิติที่สูงขึ้นได้บ้าง แต่ต้องใช้การออกแบบการทดลองอย่างระมัดระวังเพื่อให้จำนวนการรันการฝึกอบรมสามารถจัดการได้ ทั้งสองวิธีสมมติว่าแบบจำลองมีความราบรื่นเพียงพอสำหรับการประมาณค่าด้วยพหุนามหรือกระบวนการเกาส์เซียนเพื่อให้มีความแม่นยำ

ข้อจำกัดและข้อควรพิจารณา

  • PCE ประสบกับคำสาปแห่งมิติ: จำนวนพจน์พหุนามเพิ่มขึ้นอย่างรวดเร็วตามจำนวนอินพุตที่ไม่แน่นอนและดีกรีพหุนาม ทำให้ต้องใช้ PCE แบบเบาบางหรือกลยุทธ์ลดมิติสำหรับปัญหาที่มีมิติสูง
  • ความแม่นยำของเซอร์โรเกตเคอริ่งขึ้นอยู่กับการออกแบบการทดลองอย่างยิ่ง: จุดฝึกอบรมที่น้อยเกินไปหรือไม่เหมาะสมจะให้ผลการทำนายที่ไม่น่าเชื่อถือระหว่างจุดเหล่านั้น
  • ทั้งสองวิธีสมมติว่าการตอบสนองของตัวจำลองมีความราบรื่นเพียงพอที่จะประมาณค่าได้ดีด้วยพหุนามหรือกระบวนการเกาส์เซียน: ความไม่ต่อเนื่องหรือความชันที่คมชัดในพื้นผิวการตอบสนองจะลดความแม่นยำ
  • คุณภาพของผลลัพธ์ UQ จะดีเท่ากับการกระจายของอินพุตที่เลือกเท่านั้น: การกระจายของอินพุตที่ระบุไม่ถูกต้องจะแพร่กระจายความไม่แน่นอนที่ไม่ถูกต้องไปยังเอาต์พุต

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ให้การอธิบายการกระจายของเอาต์พุตอย่างสมบูรณ์ — ไม่ใช่แค่ค่าเฉลี่ยหรือกรณีที่แย่ที่สุด — ช่วยให้สามารถกล่าวอ้างเชิงความน่าจะเป็นเกี่ยวกับผลการทำนายของแบบจำลองได้อย่างเข้มงวด
  • ดัชนีความไว Sobol ระบุว่าอินพุตที่ไม่แน่นอนใดที่ขับเคลื่อนความผันแปรของเอาต์พุต ซึ่งเป็นแนวทางในการออกแบบการทดลองและลำดับความสำคัญของการรวบรวมข้อมูล
  • เมื่อสร้างเซอร์โรเกตแล้ว การแพร่กระจายและการวิเคราะห์ความไวจะใช้ต้นทุนในการคำนวณน้อยมาก ทำให้ UQ สามารถนำไปปฏิบัติได้แม้สำหรับตัวจำลองที่มีค่าใช้จ่ายสูง
  • PCE ให้การแสดงออกเชิงวิเคราะห์สำหรับค่าเฉลี่ย ความแปรปรวน และดัชนีความไว หลีกเลี่ยงสัญญาณรบกวนจากการสุ่มตัวอย่างแบบมอนติคาร์โลในปริมาณเหล่านั้น

การประยุกต์ใช้

  • การวัดปริมาณผลกระทบของความแปรปรวนของคุณสมบัติวัสดุต่อความน่าเชื่อถือของโครงสร้างในการจำลองการบินและอวกาศและวิศวกรรมโยธา
  • การแพร่กระจายความไม่แน่นอนของพารามิเตอร์ผ่านแบบจำลองสภาพภูมิอากาศและระบบโลกเพื่ออธิบายช่วงของผลลัพธ์อุณหภูมิหรือระดับน้ำทะเลที่คาดการณ์ไว้
  • การประเมินผลกระทบของความไม่แน่นอนของการวัดต่อการคาดการณ์ประสิทธิภาพของอุปกรณ์ทางการแพทย์ในการจำลองชีวกลศาสตร์เชิงคำนวณ
  • การสนับสนุนการเพิ่มประสิทธิภาพการออกแบบที่ทนทาน (robust design optimisation) โดยการระบุว่าพารามิเตอร์การออกแบบใดที่ลดความผันแปรของเอาต์พุตได้มากที่สุด โดยจัดลำดับความสำคัญของความคลาดเคลื่อนในการผลิตที่เข้มงวดกว่า
  • การประเมินช่วงความเชื่อมั่นในการคาดการณ์แบบจำลองโรคระบาดเมื่อพารามิเตอร์การแพร่เชื้อไม่ทราบแน่ชัด

วิธีการทำงาน

วิธีการทำงาน

1

นักวิเคราะห์จะระบุอินพุตของแบบจำลองที่ไม่แน่นอนทั้งหมดและกำหนดการกระจายความน่าจะเป็นให้กับแต่ละอินพุต — ตัวอย่างเช่น การกระจายแบบเอกรูป (uniform) แบบปกติ (normal) หรือแบบเบตา (beta) ซึ่งแสดงถึงสถานะของความรู้เกี่ยวกับปริมาณนั้น ขั้นตอนนี้เป็นพื้นฐาน: การเลือกการกระจายของอินพุตจะกำหนดรูปร่างของความไม่แน่นอนของเอาต์พุตโดยตรง และต้องอาศัยความรู้ทางกายภาพหรือข้อมูลที่วัดได้ แทนที่จะสมมติขึ้นโดยพลการ

2

สำหรับ PCE เอาต์พุตจะถูกกระจายในฐานของพหุนามเชิงตั้งฉากซึ่งตระกูลตรงกับการกระจายของอินพุตแต่ละตัว (พหุนาม Hermite สำหรับอินพุตปกติ พหุนาม Legendre สำหรับอินพุตเอกรูป และอื่นๆ ตามแผนผัง Wiener–Askey) สัมประสิทธิ์พหุนามจะถูกประมาณจากชุดการประเมินแบบจำลองโดยใช้การถดถอย (regression) หรือการฉายภาพ (projection) สำหรับเซอร์โรเกตเคอริ่ง กลยุทธ์การออกแบบการทดลอง (design-of-experiments) — เช่น การสุ่มตัวอย่างแบบละตินไฮเปอร์คิวบ์ (Latin hypercube sampling) หรือการออกแบบที่เติมเต็มพื้นที่อย่างเหมาะสม (optimal space-filling designs) — จะเลือกจุดอินพุตที่เป็นตัวแทนจำนวนเล็กน้อย ทำการรันการจำลองที่จุดเหล่านั้น และปรับแบบจำลองกระบวนการเกาส์เซียนให้ประมาณค่าระหว่างจุดเหล่านั้น ต้องเลือกดีกรีพหุนาม (สำหรับ PCE) หรือเคอร์เนลความแปรปรวนร่วม (covariance kernel) (สำหรับ Kriging) อย่างระมัดระวังเพื่อสร้างสมดุลระหว่างความแม่นยำกับต้นทุนการคำนวณ

3

เมื่อสร้างเซอร์โรเกตแล้ว การแพร่กระจายความไม่แน่นอนจะมีต้นทุนต่ำ สำหรับ PCE ค่าเฉลี่ยและความแปรปรวนของเอาต์พุตจะปรากฏโดยตรงจากสัมประสิทธิ์พหุนามโดยไม่ต้องมีการจำลองเพิ่มเติม สำหรับเซอร์โรเกตเคอริ่ง สามารถสุ่มตัวอย่างแบบมอนติคาร์โลได้หลายล้านตัวอย่างจากการกระจายของอินพุตและส่งผ่านเซอร์โรเกตที่รวดเร็วแทนที่จะเป็นตัวจำลองที่มีค่าใช้จ่ายสูง ทำให้ได้การกระจายของเอาต์พุตทั้งหมดด้วยต้นทุนเพียงเศษเสี้ยว การกระจายผลลัพธ์ที่ได้จะแสดงถึงช่วงและความน่าจะเป็นของเอาต์พุตที่เป็นไปได้ทั้งหมดเมื่อพิจารณาจากความไม่แน่นอนของอินพุต

4

ดัชนีความไวทั่วโลกตามความแปรปรวน (variance-based global sensitivity indices) — หรือที่เรียกว่าดัชนี Sobol — จะแยกความแปรปรวนของเอาต์พุตทั้งหมดออกเป็นส่วนที่เกิดจากอินพุตแต่ละตัวและการปฏิสัมพันธ์ระหว่างอินพุต สำหรับเซอร์โรเกต PCE ดัชนีเหล่านี้จะได้มาจากการวิเคราะห์จากสัมประสิทธิ์พหุนาม สำหรับเซอร์โรเกตเคอริ่ง ดัชนีเหล่านี้จะถูกประมาณจากตัวอย่างมอนติคาร์โลที่แพร่กระจายไป ดัชนี Sobol ลำดับแรก (first-order Sobol indices) รายงานสัดส่วนของความแปรปรวนที่อธิบายโดยอินพุตแต่ละตัวเพียงอย่างเดียว ดัชนีลำดับรวม (total-order indices) รวมการปฏิสัมพันธ์ลำดับสูงทั้งหมดที่เกี่ยวข้องกับอินพุตนั้น ขั้นตอนนี้จะระบุว่าอินพุตใดสำคัญที่สุดและอินพุตใดสามารถแก้ไขได้เพื่อลดความไม่แน่นอน

ข้อผิดพลาดที่พบบ่อย

  • การเลือกการกระจายของอินพุตโดยไม่มีเหตุผลทางกายภาพหรือเชิงประจักษ์ — การกำหนดการกระจายแบบปกติเพียงเพราะสะดวก สามารถสร้างการกระจายของเอาต์พุตที่บิดเบือนความไม่แน่นอนที่แท้จริง
  • การประเมินค่าดีกรีพหุนามต่ำเกินไปหรือการใช้การออกแบบที่เติมเต็มพื้นที่ซึ่งเบาบางเกินไปเมื่อเทียบกับความซับซ้อนของพื้นผิวการตอบสนอง จะทำให้เซอร์โรเกตที่ปรับให้เหมาะสมน้อยเกินไปและประเมินค่าความแปรปรวนของเอาต์พุตต่ำเกินไป
  • การละเลยการปฏิสัมพันธ์ระหว่างอินพุตโดยรายงานเฉพาะดัชนี Sobol ลำดับแรก อาจทำให้เข้าใจผิดได้เมื่อการปฏิสัมพันธ์ของอินพุตเป็นแหล่งที่มาหลักของความแปรปรวน: ควรตรวจสอบดัชนีลำดับรวมเสมอ
  • การใช้ PCE ในมิติสูง (ประมาณ 15 อินพุตขึ้นไป) โดยไม่มีการตัดแบบเบาบางหรือแบบปรับได้ จะทำให้จำนวนพจน์เพิ่มขึ้นอย่างมาก ทำให้การประมาณค่าสัมประสิทธิ์ไม่น่าเชื่อถือ
  • การปฏิบัติต่อเซอร์โรเกตเสมือนว่าสมบูรณ์แบบและไม่ตรวจสอบกับผลการประเมินตัวจำลองที่ถูกแยกออกก่อนนำไปใช้ในการตัดสินใจเป็นข้อผิดพลาดทั่วไปและมีค่าใช้จ่ายสูง

คำถามที่พบบ่อย

อะไรคือความแตกต่างระหว่าง PCE และเซอร์โรเกตเคอริ่ง?

PCE แสดงเอาต์พุตของแบบจำลองเป็นอนุกรมพหุนามที่ชัดเจนในอินพุตที่ไม่แน่นอน ซึ่งเลือกให้ตั้งฉากกับการกระจายของอินพุต ดัชนีความไว Sobol และโมเมนต์ (moments) จะตามมาจากการวิเคราะห์จากสัมประสิทธิ์ เคอริ่งปฏิบัติต่อเอาต์พุตของแบบจำลองเสมือนเป็นการสุ่มตัวอย่างจากกระบวนการเกาส์เซียนและประมาณค่าระหว่างจุดฝึกอบรม โดยให้ทั้งการทำนายและค่าความแปรปรวนของการทำนาย PCE มีแนวโน้มที่จะมีประสิทธิภาพมากกว่าเมื่อมิติอินพุตต่ำและการตอบสนองมีความราบรื่นและเป็นพหุนามทั่วโลก เคอริ่งมีความยืดหยุ่นมากกว่าสำหรับการตอบสนองที่ไม่สม่ำเสมอหรือเปลี่ยนแปลงเฉพาะที่ และสามารถขยายได้ด้วยกลยุทธ์การเรียนรู้เชิงรุก (active learning) เช่น EGO

ต้องใช้การรันตัวจำลองกี่ครั้งเพื่อสร้างเซอร์โรเกตที่น่าเชื่อถือ?

สำหรับ PCE จำนวนขั้นต่ำคือประมาณสองถึงสามเท่าของจำนวนพจน์ฐานพหุนาม แต่การรันที่มากขึ้นจะช่วยเพิ่มความแม่นยำ สำหรับเซอร์โรเกตเคอริ่ง กฎทั่วไปที่ใช้กันทั่วไปคือสิบเท่าของจำนวนอินพุตที่ไม่แน่นอนสำหรับการออกแบบเริ่มต้น โดยมีการเพิ่มจุดเพิ่มเติมแบบปรับได้หากงบประมาณเอื้ออำนวย ในทั้งสองกรณี การตรวจสอบกับผลการรันที่ถูกแยกออกเป็นสิ่งจำเป็นก่อนที่จะใช้เซอร์โรเกตในการตัดสินใจ

ดัชนี Sobol คืออะไรและทำไมจึงสำคัญ?

ดัชนี Sobol เป็นมาตรวัดความไวทั่วโลกตามความแปรปรวน ดัชนีลำดับแรกสำหรับอินพุตจะรายงานสัดส่วนของความแปรปรวนของเอาต์พุตทั้งหมดที่เกิดจากอินพุตนั้นเพียงอย่างเดียว ดัชนีลำดับรวมจะรวมการปฏิสัมพันธ์ทั้งหมดระหว่างอินพุตนั้นกับอินพุตอื่นๆ ร่วมกัน ดัชนีเหล่านี้จะบอกนักวิเคราะห์ว่าอินพุตใดคุ้มค่าที่จะวัดให้แม่นยำยิ่งขึ้น และอินพุตใดที่สามารถถือว่าคงที่ได้โดยไม่ส่งผลกระทบต่อความไม่แน่นอนของเอาต์พุตอย่างมีนัยสำคัญ แตกต่างจากมาตรวัดความไวเฉพาะที่ (local sensitivity measures) (อิงตามอนุพันธ์) ดัชนี Sobol จะใช้ได้ทั่วทั้งการกระจายของอินพุต ไม่ใช่แค่ใกล้เคียงกับจุดอ้างอิง

สามารถใช้ UQ ได้เมื่อการกระจายของอินพุตไม่ทราบหรือไม่?

UQ ในเชิงความน่าจะเป็นกำหนดให้ความไม่แน่นอนของอินพุตต้องระบุเป็นการกระจายความน่าจะเป็น เมื่อมีเพียงช่วงหรือขอบเขตเท่านั้นที่พร้อมใช้งานโดยไม่มีความรู้เกี่ยวกับการกระจาย บางครั้งจะใช้การกระจายแบบเอกรูปเป็นทางเลือกที่รอบคอบ แต่ควรระบุสมมติฐานนี้ให้ชัดเจน หากนักวิเคราะห์ไม่สามารถกำหนดการกระจายได้จริง — ตัวอย่างเช่น ในสถานการณ์ความไม่แน่นอนเชิงลึก (deep uncertainty settings) — การวิเคราะห์สถานการณ์ (scenario analysis) หรือแนวทางการเพิ่มประสิทธิภาพที่ทนทาน (robust optimisation) อาจเหมาะสมกว่า UQ เชิงความน่าจะเป็น

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    ISBN: 978-1611973211
    คัดลอกแล้ว