Skip to content
返回搜索结果

不确定性量化 — 多项式混沌与克里金代理模型

提出者
Norbert Wiener (polynomial chaos, 1938); extended to Wiener–Askey scheme by Xiu & Karniadakis (2002)
年份
Seminal modern form: 2002
类型
Computational uncertainty analysis framework

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

不确定性量化(UQ)是一个计算框架,用于系统地衡量模型输入中的不确定性如何传播到其输出中的不确定性。UQ建立在维纳的多项式混沌理论(1938年)基础上,并由Xiu和Karniadakis(2002年)推广到一般随机问题,它使用两种主要策略:多项式混沌展开(PCE),将模型输出表示为与输入分布匹配的正交多项式级数;以及克里金(高斯过程)代理模型,它用拟合少量精心选择的运行结果的快速统计近似来替代昂贵的模拟。

方法背后的直觉

想象一下,您正在运行一个昂贵的计算机模拟——有限元结构分析或气候模型——并且您知道其几个输入不是精确的数字,而是来自分布的不确定量。通过随机输入运行模拟数千次(普通蒙特卡洛法)虽然准确但成本过高。UQ提供了一种更智能的途径:要么将输出在数学上表示为不确定输入的函数(PCE),这样均值、方差和敏感性指数就可以通过解析方法得到;要么在少量策略性放置的模拟运行上训练一个廉价的代理模型(克里金),然后以可忽略的成本从代理模型中采样。这两种策略都将昂贵的黑箱模拟转化为可处理的问题,使您能够量化输出变异性并确定哪些输入驱动了大部分变异性。

历史学

多项式混沌的数学根源在于维纳的齐次混沌理论(1938年),该理论使用厄米特多项式展开来表示由布朗运动驱动的过程。该方法在Ghanem和Spanos(1991年)将其应用于随机有限元分析之前,在很大程度上仍是一个理论工具。决定性的推广来自于Xiu和Karniadakis(2002年),他们表明最优多项式基取决于输入分布——维纳-阿斯基方案——从而为广泛的工程问题实现了高效的PCE。同时,起源于地质统计学(Krige, 1951; Matheron, 1963)并被形式化为机器学习中高斯过程回归的克里金代理模型,成为计算机实验设计中的标准工具。Smith(2013年)提供了UQ理论、实现和应用的全面综合,现在被用作标准的本科生级别参考。稀疏PCE、自适应策略如EGO(高效全局优化)和深度学习代理模型是当前活跃的研究领域。

何时使用

每当计算模型具有不确定输入时——例如参数测量误差、仅近似已知的边界条件或具有自然变异性的材料属性——并且分析师需要表征这种不确定性如何影响模型输出时,UQ就适用。当模拟器计算成本高昂(每次运行数分钟至数小时)导致直接蒙特卡洛法不可行时,它尤其有价值。输入不确定性必须可以表示为概率分布;如果只有最坏情况的界限而没有概率信息,区间或模糊方法可能更合适。PCE适用于中等数量的输入(大约10-15维,之后维度灾难需要稀疏变体);克里金代理模型可以处理稍高维度的输入,但需要仔细的实验设计以保持训练运行的数量可控。这两种方法都假设模型足够平滑,以至于多项式或高斯过程近似能够准确。

局限与注意事项

  • PCE受维度灾难的影响:多项式项的数量随着不确定输入的数量和多项式次数的增加而迅速增长,这使得高维问题需要稀疏PCE或降维策略。
  • 克里金代理模型的精度关键取决于实验设计;过少或放置不当的训练点会导致它们之间的预测不可靠。
  • 两种方法都假设模拟器响应足够平滑,可以被多项式或高斯过程很好地近似;响应面中的不连续性或尖锐梯度会降低精度。
  • UQ结果的质量仅与其选择的输入分布的质量一样好;不正确指定的输入分布会将错误的不确定性传播到输出中。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 提供输出分布的完整表征——不仅仅是均值或最坏情况——从而能够对模型预测进行严格的概率陈述。
  • Sobol敏感性指数识别哪些不确定的输入驱动输出变异性,指导实验设计和数据收集的优先级。
  • 一旦代理模型构建完成,传播和敏感性分析在计算上可以忽略不计,使得UQ即使对于昂贵的模拟器也变得实用。
  • PCE为均值、方差和敏感性指数提供了解析表达式,避免了这些量中的蒙特卡洛采样噪声。

应用

  • 量化材料属性变异性对航空航天和土木工程模拟中结构可靠性的影响。
  • 将参数不确定性传播到气候和地球系统模型中,以表征预测温度或海平面结果的范围。
  • 在计算生物力学中评估测量不确定性对医疗设备性能预测的影响。
  • 通过识别哪些设计参数最能减少输出变异性,优先考虑更严格的制造公差,从而支持鲁棒设计优化。
  • 当传输参数未知时,评估流行病模型预测的置信区间。

使用方式

使用方式

1

分析师识别所有不确定的模型输入,并为每个输入分配一个概率分布——例如,均匀分布、正态分布或Beta分布——该分布代表了关于该数量的知识状态。这一步是基础性的:输入分布的选择直接决定了输出不确定性的形状,并且必须基于物理知识或测量数据,而不是任意假设。

2

对于PCE,输出在正交多项式基中展开,其族与每个输入分布匹配(正态输入使用厄米特多项式,均匀分布使用勒让德多项式,依此类推,遵循维纳-阿斯基方案)。多项式系数通过回归或投影从一组模型评估中估计。对于克里金代理模型,实验设计策略——例如拉丁超立方体采样或最优空间填充设计——选择少量代表性输入点,在这些点上运行模拟,然后拟合高斯过程模型以在它们之间进行插值。多项式次数(对于PCE)或协方差核(对于克里金)必须仔细选择,以平衡精度与计算成本。

3

一旦代理模型构建完成,不确定性传播就变得廉价。对于PCE,输出均值和方差直接从多项式系数中得出,无需额外模拟。对于克里金代理模型,可以从输入分布中抽取数百万个蒙特卡洛样本,并将其输入到快速代理模型而不是昂贵的模拟器中,从而以一小部分成本获得完整的输出分布。所得分布表征了给定输入不确定性的所有可能输出的范围和可能性。

4

基于方差的全局敏感性指数——称为Sobol指数——将总输出方差分解为归因于每个输入和输入之间相互作用的贡献。对于PCE代理模型,这些指数可以从多项式系数中解析获得;对于克里金代理模型,它们可以从传播的蒙特卡洛样本中估计。一阶Sobol指数报告了每个输入单独解释的方差比例;全阶指数包括与该输入相关的所有高阶相互作用。这一步确定了哪些输入最重要,哪些可以固定以减少不确定性。

常见陷阱

  • 在没有物理或经验依据的情况下选择输入分布——仅仅因为方便而分配正态分布可能会产生误导真实不确定性的输出分布。
  • 低估多项式次数或使用相对于响应面复杂性而言过于稀疏的空间填充设计,会导致代理模型欠拟合并低估输出方差。
  • 仅报告一阶Sobol指数而忽略输入之间的相互作用,当输入相互作用是方差的主要来源时,可能会产生误导;应始终检查全阶指数。
  • 在高维(约15个输入以上)中应用PCE而不进行稀疏或自适应截断会导致项数爆炸,使得系数估计不可靠。
  • 在用于决策之前,将代理模型视为完美且不通过未使用的模拟器评估进行验证,是一种常见且代价高昂的错误。

常见问题

PCE与克里金代理模型有什么区别?

PCE将模型输出表示为不确定输入中的显式多项式级数,选择该级数使其相对于输入分布正交。Sobol敏感性指数和矩可以从系数中解析得出。克里金将模型输出视为高斯过程的实现,并在训练点之间进行插值,同时提供预测和预测方差。当输入维度较低且响应平滑且全局多项式时,PCE倾向于更有效;克里金对于不规则或局部变化的响应更具灵活性,并且可以扩展到主动学习策略,如EGO。

构建可靠代理模型需要多少次模拟运行?

对于PCE,最少需要多项式基项数的两到三倍,但更多的运行次数可以提高精度。对于克里金代理模型,一个常见的经验法则是初始设计需要不确定输入数量的十倍,如果预算允许,可以自适应地添加额外的点。在这两种情况下,在使用代理模型进行决策之前,通过未使用的运行进行验证至关重要。

什么是Sobol指数,它们为什么重要?

Sobol指数是基于方差的全局敏感性度量。一个输入的一阶指数报告了归因于该输入本身的输出总方差的比例。全阶指数包括该输入与其他输入之间的所有相互作用。它们共同告诉分析师哪些输入值得更精确地测量,哪些输入可以被视为固定而不会显著影响输出不确定性。与局部(基于导数)敏感性度量不同,Sobol指数在整个输入分布中都有效,而不仅仅是在标称点附近。

当输入分布未知时,是否可以应用UQ?

概率意义上的UQ要求输入不确定性被指定为概率分布。当只有范围或界限而没有分布知识时,有时会使用均匀分布作为保守选择,但这应明确说明。如果分析师确实无法分配分布——例如在深度不确定性设置中——情景分析或鲁棒优化方法可能比概率UQ更合适。

相关方法

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.

    打开 DOI 文献
    已复制。
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM.

    ISBN:978-1611973211
    已复制。