[論文レビュー] Constraining Model Uncertainty in Plasma Equation-of-State Models with a Physics-Constrained Gaussian Process

Jim Gaffney, Lin Yang+1 more|arXiv (Cornell University)|Jul 1, 2022

Gaussian Processes and Bayesian Inference被引用数 9

ひとこと要約

本稿では、熱力学的整合性を保ちながらモデルの不確実性を定量化する物理的制約付きガウス過程（EOS GP）を導入する。自由エネルギーの定式化を通じて熱力学法則をガウス過程の事前分布に組み込むことで、特にデータが豊富な領域において予測不確実性を10倍以上低減し、外挿領域における不確実性の過小評価を防ぐ。

ABSTRACT

Equation-of-state (EOS) models underpin numerical simulations at the core of research in high energy density physics, inertial confinement fusion, laboratory astrophysics, and elsewhere. In these applications EOS models are needed that span ranges of thermodynamic variables that far exceed the ranges where data are available, making uncertainty quantification (UQ) of EOS models a significant concern. Model uncertainty, arising from the choice of functional form assumed for the EOS, is a major challenge to UQ studies for EOS that is usually neglected in favor of parameteric and data uncertainties which are easier to capture without violating the physical constraints on EOSs. In this work we introduce a new statistical EOS construction that naturally captures model uncertainty while automatically obeying the thermodynamic consistency constraint. We apply the model to existing data for $B_4C$\ to place an upper bound on the uncertainty in the EOS and Hugoniot, and show that the neglect of thermodynamic constraints overestimates the uncertainty by factors of several when data are available and underestimates when extrapolating to regions where they are not. We discuss extensions to this approach, and the role of GP-based models in accelerating simulation and experimental studies, defining portable uncertainty-aware EOS tables, and enabling uncertainty-aware downstream tasks.

研究の動機と目的

• 関数形の選択に起因する、方程式状態（EOS）モデルにおけるモデルの不確実性という、しばしば軽視されがちな重要な課題に対処すること。
• 物理的に整合するEOS関数の全空間における不確実性を定量化する非パrametric統計枠組みを構築すること。
• 圧力、エネルギー、自由エネルギーの間の正確な関係といった熱力学的整合性——例えば、確率的回帰モデル内での正確な関係を保証すること。
• 物理的制約を無視すると、データが豊富な領域では不確実性が過大評価され、外挿領域では不確実性が過小評価されるという、信頼性の低い不確実性推定が生じることを示すこと。
• 不確実性を考慮したEOSテーブルの作成を可能にし、予測不確実性に従ってサンプリングを適応的に行うことで、シミュレーションや実験設計の加速を実現すること。

提案手法

• 長期的な熱力学的整合性を保証するために、参照自由エネルギー・モデルから導出された平均関数を用いたガウス過程回帰フレームワークを採用する。
• すべてのEOS量（P, E, S）を確率的自由エネルギー関数の関数的微分として表現することで、熱力学的制約を組み込む。
• ガウス過程のすべてのサンプル路が物理的に妥当な状態方程式を表すことを保証するため、修正されたカーネル構造を導入する。
• ボロンカーバイド（B₄C）の第一原理シミュレーションデータを用いてモデルを学習し、不確実性はガウス過程の事後分布に沿って伝播させる。
• 既知の高温極限を考慮するために、参照自由エネルギーを事前平均として用いることで、正しい漸近的挙動を保証する。
• 予測不確実性はガウス過程の分散により計算され、物理的制約なしの標準的なRBFカーネルガウス過程と比較される。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、熱力学的整合性を尊重する形でEOSモデルの不確実性を定量化できるか？
• RQ2 EOS予測における不確実性推定に物理的制約を無視した場合、どのような影響が生じるか？
• RQ3 計算の実行可能性を維持しつつ、物理的に妥当なEOS関数の全空間を探索可能な非パrametric GPフレームワークを構築できるか？
• RQ4 物理的制約の組み込みが、内挿と外挿の両領域における不確実性にどのように影響するか？
• RQ5 GPベースのEOSモデルは、必要なシミュレーションや実験の数を減らすために、予測不確実性に従って適応的サンプリングを誘導できるか？

主な発見

• 物理的制約付きGPは、B₄Cデータセットのデータが豊富な領域において、制約なしGPと比較して圧力の予測不確実性を10倍低減する。
• データが豊富な領域では、制約付きGPは不確実性を1%未満に維持するが、制約なしGPはノイズが最小限の低温・高密度領域でのみこの水準に達する。
• 物理的制約を無視すると、データが豊富な領域で不確実性が複数倍過大評価される。これは物理的に不適切な関数の変動に起因する。
• 制約付きモデルは、外挿領域で不確実性を過小評価するのを回避する。これは、制約なしGPが不適切な滑らかさの仮定により生じる。
• モデルは自然に不確実性を考慮したEOSテーブルを生成し、グリッド非依存でコンactな形式であり、流体力学的シミュレーションへの統合に適している。
• このフレームワークは、不確実性に従って適応的サンプリングを可能にし、高次の不確実性領域に新しいシミュレーションを集中させることで、モデルの精度を効率的に向上できる。