[論文レビュー] A Generalized Probabilistic Learning Approach for Multi-Fidelity Uncertainty Propagation in Complex Physical Simulations

Jonas Nitzler, Jonas Biehler+3 more|arXiv (Cornell University)|Jan 9, 2020

Probabilistic and Robust Engineering Design被引用数 8

ひとこと要約

本稿では、限られた高精度モデルの実行回数（50〜300回）における高精度物理シミュレーションの不確実性評価を効率的かつ正確に実現するために、低精度モデルと情報豊富な入力特徴量を活用する一般化されたベイジアンマルチファシリティモンテカルロ（BMFMC）フレームワークを提案する。高精度モデル出力と低精度モデル出力の間の確率的関係を学習することで、1つの例では23倍以上の計算高速化を達成し、高次元の確率的問題においても検証可能な正確性を維持する。

ABSTRACT

Two of the most significant challenges in uncertainty quantification pertain to the high computational cost for simulating complex physical models and the high dimension of the random inputs. In applications of practical interest, both of these problems are encountered, and standard methods either fail or are not feasible. To overcome the current limitations, we present a generalized formulation of a Bayesian multi-fidelity Monte-Carlo (BMFMC) framework that can exploit lower-fidelity model versions in a small data regime. The goal of our analysis is an efficient and accurate estimation of the complete probabilistic response for high-fidelity models. BMFMC circumvents the curse of dimensionality by learning the relationship between the outputs of a reference high-fidelity model and potentially several lower-fidelity models. While the continuous formulation is mathematically exact and independent of the low-fidelity model's accuracy, we address challenges associated with the small data regime (i.e., only a small number of 50 to 300 high-fidelity model runs can be performed). Specifically, we complement the formulation with a set of informative input features at no extra cost. Despite the inaccurate and noisy information that some low-fidelity models provide, we demonstrate that accurate and certifiable estimates for the quantities of interest can be obtained for uncertainty quantification problems in high stochastic dimensions, with significantly fewer high-fidelity model runs than state-of-the-art methods for uncertainty quantification. We illustrate our approach by applying it to challenging numerical examples such as Navier-Stokes flow simulations and fluid-structure interaction problems.

研究の動機と目的

• リソース制約のため従来の手法が失敗する、高コストかつ高次元入力不確実性を有する複雑な物理シミュレーションの課題に対処すること。
• 高精度モデルの評価回数が多すぎると問題となる、従来のサンプリングベースの不確実性評価（UQ）手法の限界を克服すること。
• 高精度モデルのシミュレーションをたった50〜300回で行うことで、定量的関心の確率的推定を正確に行えるようにすること。
• 低精度モデルが不正確またはノイズを含んでも、その影響を受けにくく、ロバストな性能を示す一般化された数学的に正確なマルチファシリティUQの定式化を構築すること。
• 追加の計算コストをかけずに、情報豊富な入力特徴量をBMFMCフレームワークに統合し、少数データ環境下でのモデルの正確性を向上させること。

提案手法

• 高精度（HF）と低精度（LF）モデル出力の間の結合的確率的関係をモデル化する連続的でベイジアンなマルチファシリティモンテカルロ（BMFMC）フレームワークを構築する。
• 関数的依存関係を学習するために、ガウス過程（GPs）を確率的回帰モデルとして用い、モデル全体を通じた不確実性の伝播を可能にする。
• 入力空間（例：モデルパラメータまたは離散化パラメータ）から導出される情報豊富な入力特徴量を統合し、追加の高精度評価なしに、学習されたマッピングの忠実度を向上させる。
• 低精度モデルの予測能力に依存しない形で、連続的定式化の数学的正確性を保証し、低精度モデルの品質にかかわらず有効であることを確認する。
• 非線形で高次元の問題、例えばナビエ-ストークスの流れや流体-構造連成問題に適用し、現実的な計算制約下でもロバストであることを示す。
• 制御変数に類似した戦略を用いてモンテカルロ推定量の分散を低減し、関心の統計的量の収束を加速する。

実験結果

リサーチクエスチョン

• RQ1 一般化されたベイジアンマルチファシリティフレームワークは、高精度モデルの実行回数が50〜300回に制限される状況でも、高精度シミュレーションにおける不確実性評価を正確に達成できるか？
• RQ2 低精度モデルがノイズを含んだり不正確であったりする状況下でも、情報豊富な入力特徴量の統合が、マルチファシリティモデルの正確性をどのように向上させるか？
• RQ3 高次元の確率的問題において、統計的信頼性を損なわず、BMFMCフレームワークが計算コストをどの程度削減できるか？
• RQ4 本手法は、流体-構造連成やナビエ-ストークスのシミュレーションのような非線形で複雑な物理系において、どの程度の性能を示すか？
• RQ5 低精度モデルが出力と統計的に独立である場合、本手法にどのような実用的限界が生じるか、そしてそれらをどのように緩和できるか？

主な発見

• ナビエ-ストークスの流れシミュレーションにおいて、数値的緩和のみを用いた保守的な低精度モデルを用いることで、23倍を超えるスピードアップを達成した。
• 低精度モデルが不正確またはノイズを含んでも、本手法は高次元の確率的入力空間における関心の定量的推定を正確かつ検証可能に生成する。
• 情報豊富な入力特徴量の統合により、少数データ環境下でもモデルの正確性が顕著に向上し、低精度モデルが弱いまたは誤解を招く情報しか提供しない場合でも有効である。
• BMFMCの連続的定式化は、低精度モデルの品質に依存せず、数学的に正確であり、多様な精度レベルにわたりロバストであることを保証する。
• 計算効率の面で、最先端のUQ技術を上回り、はるかに少ない高精度シミュレーション回数で高い正確性を維持する。
• 報告された実験では、ガウス過程モデルの学習や最適化中に何ら問題が生じなかったことから、テスト条件下で実用的な安定性を示している。