Belirsizlik Kuantifikasyonu — Polinom Kaosu ve Kriging Vekil Modeli
- Ortaya koyan
- Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
- Yıl
- Seminal modern form: 2002
- Tür
- Computational uncertainty analysis framework
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Belirsizlik Kuantifikasyonu (BQ), bir modelin girdilerindeki belirsizliğin çıktılarındaki belirsizliğe nasıl yayıldığını sistematik olarak ölçmek için kullanılan bir hesaplama çerçevesidir.
Wiener'ın polinom kaos teorisi (1938) üzerine inşa edilen ve Xiu ve Karniadakis (2002) tarafından genel stokastik problemler için resmileştirilen BQ, iki temel strateji kullanır: Model çıktısını girdi dağılımlarına uygun ortogonal polinom serileri olarak temsil eden Polinom Kaos Açılımı (PCE) ve pahalı bir simülasyonu dikkatlice seçilmiş az sayıda çalıştırmaya uydurulmuş hızlı bir istatistiksel yaklaşımla değiştiren Kriging (Gauss süreci) vekil modelleri.
Yöntemin mantığı
Maliyetli bir bilgisayar simülasyonu — bir sonlu elemanlar yapısal analizi veya bir iklim modeli — çalıştırdığınızı ve girdilerinin birçoğunun kesin sayılar değil, dağılımlardan çekilen belirsiz nicelikler olduğunu hayal edin. Simülasyonu rastgele girdilerle binlerce kez çalıştırmak (basit Monte Carlo) doğru olurdu ancak aşırı derecede yavaş kalırdı. BQ daha akıllı bir yol sunar: ya çıktıyı belirsiz girdilerin polinom fonksiyonu olarak matematiksel olarak ifade edin (PCE), böylece ortalama, varyans ve duyarlılık indeksleri analitik olarak elde edilsin, ya da stratejik olarak yerleştirilmiş az sayıda simülasyon çalışması üzerinde ucuz bir vekil model (Kriging) eğitin ve ardından ihmal edilebilir maliyetle vekil modelden örnekleme yapın. Her iki strateji de pahalı, kara kutu simülasyonlarını yönetilebilir problemlere dönüştürerek çıktı değişkenliğini ölçmenize ve bu değişkenliğin çoğunu hangi girdilerin yönlendirdiğini belirlemenize olanak tanır.
Tarih
Polinom kaosunun matematiksel kökenleri, Brown hareketine dayalı süreçleri Hermite polinom açılımları kullanarak temsil eden Wiener'ın homojen kaos teorisine (1938) dayanmaktadır. Yöntem, Ghanem ve Spanos (1991) tarafından stokastik sonlu elemanlar analizine uygulanana kadar büyük ölçüde teorik bir araç olarak kaldı. Belirleyici genelleme, Xiu ve Karniadakis'ten (2002) geldi; bunlar, optimal polinom tabanının girdi dağılımına bağlı olduğunu — Wiener–Askey şeması — göstererek geniş bir mühendislik problemi yelpazesi için verimli PCE'yi mümkün kıldı. Eş zamanlı olarak, jeoistatistikten (Krige, 1951; Matheron, 1963) kaynaklanan ve makine öğreniminde Gauss süreci regresyonu olarak resmileştirilen Kriging vekil modelleri, bilgisayar deney tasarımında standart bir araç haline geldi. Smith (2013), BQ teorisi, uygulaması ve uygulamasının kapsamlı sentezini sunarak, günümüzde kanonik lisansüstü düzey referans olarak hizmet etmektedir. Seyrek PCE, EGO (Efficient Global Optimisation) gibi adaptif stratejiler ve derin öğrenme vekil modelleri, mevcut araştırmanın aktif alanlarıdır.
Ne zaman kullanılır?
BQ, bir hesaplama modelinin belirsiz girdileri olduğunda — hatayla ölçülen parametreler, yalnızca yaklaşık olarak bilinen sınır koşulları veya doğal değişkenliğe sahip malzeme özellikleri — ve analistin bu belirsizliğin model çıktılarını nasıl etkilediğini karakterize etmesi gerektiğinde uygundur. Simülatörün hesaplama açısından pahalı olduğu (çalışma başına dakikalar ila saatler) ve doğrudan Monte Carlo'yu uygulanamaz kıldığı durumlarda özellikle değerlidir. Girdi belirsizlikleri olasılık dağılımları olarak ifade edilebilir olmalıdır; eğer olasılıksal bilgi olmaksızın yalnızca en kötü durum sınırları mevcutsa, aralık veya bulanık yöntemler daha uygun olabilir. PCE, orta sayıda girdi için (boyutluluk laneti seyrek varyantları gerektirmeden önce yaklaşık 10-15 boyuta kadar) iyi sonuç verir; Kriging vekil modelleri biraz daha yüksek boyutları işleyebilir ancak eğitim çalıştırmalarının sayısını yönetilebilir tutmak için dikkatli deney tasarımı gerektirir. Her iki yaklaşım da modelin, bir polinom veya Gauss süreci yaklaşımının doğru olması için yeterince düzgün olduğunu varsayar.
Sınırlar ve dikkat edilmesi gerekenler
- PCE, boyutluluk lanetinden muzdariptir: polinom terimlerinin sayısı, belirsiz girdi sayısı ve polinom derecesi ile hızla artar, bu da yüksek boyutlu problemler için seyrek PCE veya boyutluluk azaltma stratejileri gerektirir.
- Bir Kriging vekil modelinin doğruluğu, deney tasarımına kritik derecede bağlıdır; çok az veya kötü yerleştirilmiş eğitim noktaları, aralarında güvenilmez tahminler üretir.
- Her iki yöntem de simülatör yanıtının polinomlar veya bir Gauss süreci tarafından iyi bir şekilde yaklaştırılacak kadar düzgün olduğunu varsayar; yanıt yüzeyindeki süreksizlikler veya keskin gradyanlar doğruluğu düşürür.
- BQ sonucunun kalitesi, seçilen girdi dağılımlarının kalitesi kadardır; kötü belirlenmiş girdi dağılımları, yanlış belirsizliği çıktıya yayar.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Çıktı dağılımının tam bir karakterizasyonunu sağlar — sadece bir ortalama veya en kötü durum değil — model tahminleri hakkında kesin olasılıksal ifadeler yapılmasına olanak tanır.
- Sobol duyarlılık indeksleri, hangi belirsiz girdilerin çıktı değişkenliğini yönlendirdiğini belirleyerek, deneysel tasarım ve veri toplama önceliklerine rehberlik eder.
- Vekil model oluşturulduktan sonra, yayılım ve duyarlılık analizi hesaplama açısından ihmal edilebilir hale gelir, bu da BQ'yu pahalı simülatörler için bile pratik kılar.
- PCE, ortalama, varyans ve duyarlılık indeksleri için analitik ifadeler sunarak, bu niceliklerdeki Monte Carlo örnekleme gürültüsünü önler.
Uygulama alanları
- Havacılık ve inşaat mühendisliği simülasyonlarında malzeme özelliği değişkenliğinin yapısal güvenilirlik üzerindeki etkisini ölçmek.
- İklim ve yer sistemi modelleri aracılığıyla parametre belirsizliğini yayarak, öngörülen sıcaklık veya deniz seviyesi sonuçlarının aralığını karakterize etmek.
- Hesaplamalı biyomekanikte tıbbi cihaz performans tahminleri üzerindeki ölçüm belirsizliğinin etkisini değerlendirmek.
- Hangi tasarım parametrelerinin çıktı değişkenliğini en çok azalttığını belirleyerek, daha sıkı üretim toleranslarına öncelik vererek sağlam tasarım optimizasyonunu desteklemek.
- Bulaşma parametreleri kesin olarak bilinmediğinde, epidemik model tahminleri üzerindeki güven aralıklarını değerlendirmek.
Nasıl çalışır?
Nasıl çalışır?
Analist, tüm belirsiz model girdilerini tanımlar ve her birine, o nicelik hakkındaki bilgi durumunu temsil eden bir olasılık dağılımı — örneğin, tekdüze, normal veya beta dağılımı — atar. Bu adım temeldir: girdi dağılımlarının seçimi, çıktı belirsizliğinin şeklini doğrudan belirler ve keyfi olarak varsayılmak yerine fiziksel bilgiye veya ölçülen verilere dayanmalıdır.
PCE için, çıktı, ailesi her girdi dağılımına uyan ortogonal polinomların bir tabanında açılır (normal girdiler için Hermite polinomları, tekdüze için Legendre ve Wiener–Askey şemasına göre diğerleri). Polinom katsayıları, regresyon veya projeksiyon kullanılarak bir dizi model değerlendirmesinden tahmin edilir. Bir Kriging vekil modeli için, bir deney tasarımı stratejisi — Latin hiperküp örneklemesi veya optimal uzay doldurma tasarımları gibi — az sayıda temsilci girdi noktasını seçer, simülasyon bu noktalarda çalıştırılır ve aralarında interpolasyon yapmak için bir Gauss süreci modeli uydurulur. Polinom derecesi (PCE için) veya kovaryans çekirdeği (Kriging için), doğruluk ve hesaplama maliyeti arasında denge kurmak için dikkatle seçilmelidir.
Vekil model oluşturulduktan sonra, belirsizlik yayılımı ucuzdur. PCE için çıktı ortalaması ve varyansı, ek simülasyonlar olmaksızın doğrudan polinom katsayılarından elde edilir. Bir Kriging vekil modeli için, girdi dağılımlarından milyonlarca Monte Carlo örneği çekilebilir ve pahalı simülatör yerine hızlı vekil model aracılığıyla itilebilir, bu da maliyetin çok küçük bir kısmına tam çıktı dağılımını sağlar. Ortaya çıkan dağılım, girdi belirsizliği göz önüne alındığında tüm olası çıktıların aralığını ve olasılığını karakterize eder.
Sobol indeksleri olarak bilinen varyans tabanlı küresel duyarlılık indeksleri, toplam çıktı varyansını her bir girdiye ve girdiler arasındaki etkileşimlere atfedilebilen katkılara ayırır. Bir PCE vekil modeli için bu indeksler polinom katsayılarından analitik olarak elde edilir; bir Kriging vekil modeli için ise yayılan Monte Carlo örneğinden tahmin edilir. Birinci dereceden Sobol indeksleri, her bir girdinin tek başına açıkladığı varyansın oranını bildirir; toplam dereceli indeksler, o girdiyi içeren tüm yüksek dereceli etkileşimleri içerir. Bu adım, hangi girdilerin en önemli olduğunu ve belirsizliği azaltmak için hangilerinin sabitlenebileceğini belirler.
Sık yapılan hatalar
- Fiziksel veya ampirik gerekçe olmaksızın girdi dağılımlarını seçmek — sadece uygun olduğu için normal bir dağılım atamak — gerçek belirsizliği yanlış temsil eden çıktı dağılımları üretebilir.
- Polinom derecesini hafife almak veya yanıt yüzeyi karmaşıklığına göre çok seyrek bir uzay doldurma tasarımı kullanmak, çıktı varyansını eksik tahmin eden ve yetersiz uyan bir vekil modele yol açar.
- Girdi etkileşimleri varyansın baskın kaynağı olduğunda, yalnızca birinci dereceden Sobol indekslerini raporlayarak girdiler arasındaki etkileşimleri göz ardı etmek yanıltıcı olabilir; her zaman toplam dereceli indeksleri inceleyin.
- Seyrek veya adaptif kesme olmaksızın PCE'yi yüksek boyutlarda (yaklaşık 15 girdinin üzerinde) uygulamak, terim sayısının patlamasına neden olarak katsayı tahminini güvenilmez hale getirir.
- Vekil modeli mükemmel kabul etmek ve karar verme için kullanmadan önce bekletilmiş simülatör değerlendirmelerine karşı doğrulamamak yaygın ve maliyetli bir hatadır.
Sık sorulan sorular
PCE ile Kriging vekil modeli arasındaki fark nedir?
PCE, model çıktısını belirsiz girdilerde, girdi dağılımlarına göre ortogonal olacak şekilde seçilmiş açık bir polinom serisi olarak temsil eder. Sobol duyarlılık indeksleri ve momentler katsayılardan analitik olarak elde edilir. Kriging, model çıktısını bir Gauss sürecinin bir gerçekleşmesi olarak ele alır ve eğitim noktaları arasında interpolasyon yaparak hem bir tahmin hem de bir tahmin varyansı sağlar. PCE, girdi boyutu düşük olduğunda ve yanıt düzgün ve küresel olarak polinom olduğunda daha verimli olma eğilimindedir; Kriging, düzensiz veya yerel olarak değişen yanıtlar için daha esnektir ve EGO gibi aktif öğrenme stratejileriyle genişletilebilir.
Güvenilir bir vekil model oluşturmak için kaç simülatör çalıştırması gerekir?
PCE için minimum, polinom taban terimlerinin sayısının yaklaşık iki ila üç katıdır, ancak daha fazla çalıştırma doğruluğu artırır. Bir Kriging vekil modeli için yaygın bir kural, başlangıç tasarımı için belirsiz girdi sayısının on katı olup, bütçe izin verirse ek noktalar adaptif olarak eklenir. Her iki durumda da, vekil model karar verme için kullanılmadan önce bekletilmiş çalıştırmalara karşı doğrulama esastır.
Sobol indeksleri nelerdir ve neden önemlidir?
Sobol indeksleri, varyans tabanlı küresel duyarlılık ölçütleridir. Bir girdi için birinci dereceden indeks, toplam çıktı varyansının yalnızca o girdiye atfedilebilen kısmını bildirir. Toplam dereceli indeks, o girdi ile diğerleri arasındaki tüm etkileşimleri içerir. Birlikte, analiste hangi girdilerin daha hassas ölçülmeye değer olduğunu ve çıktı belirsizliğini önemli ölçüde etkilemeden hangilerinin sabit kabul edilebileceğini söylerler. Yerel (türev tabanlı) duyarlılık ölçütlerinden farklı olarak, Sobol indeksleri nominal bir noktanın yakınında değil, tüm girdi dağılımı boyunca geçerlidir.
Girdi dağılımları bilinmediğinde BQ uygulanabilir mi?
Olasılıksal anlamda BQ, girdi belirsizliklerinin olasılık dağılımları olarak belirtilmesini gerektirir. Dağılımsal bilgi olmaksızın yalnızca aralıklar veya sınırlar mevcut olduğunda, tekdüze dağılımlar bazen muhafazakar bir seçim olarak kullanılır, ancak bu varsayım açıkça belirtilmelidir. Analist gerçekten bir dağılım atayamıyorsa — örneğin derin belirsizlik ortamlarında — senaryo analizi veya sağlam optimizasyon yaklaşımları, olasılıksal BQ'dan daha uygun olabilir.
İlgili yöntemler
Kaynaklar
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 kaynağını açKopyalandı.Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.
ISBN: 978-1611973211Kopyalandı.