[論文レビュー] Local and Dimension Adaptive Sparse Grid Interpolation and Quadrature

John Jakeman, Stephen Roberts|arXiv (Cornell University)|Sep 30, 2011

Advanced Numerical Methods in Computational Mathematics参考文献 11被引用数 8

ひとこと要約

本稿では、階層的超過に基づく細分化と一般化されたスパースグリッド次元選択を組み合わせた、局所的かつ次元に適応するスパースグリッド手法であるh-適応一般化スパースグリッド（h-GSG）を提案する。滑らかな領域では高次多項式基底を用いて高い収束速度を達成し、不連続性付近でも精度を維持する。これにより、700変数までの高次元関数の効率的な補間および積分が、300,000件未満の関数評価で可能になる。

ABSTRACT

In this paper we present a locally and dimension-adaptive sparse grid method for interpolation and integration of high-dimensional functions with discontinuities. The proposed algorithm combines the strengths of the generalised sparse grid algorithm and hierarchical surplus-guided local adaptivity. A high-degree basis is used to obtain a high-order method which, given sufficient smoothness, performs significantly better than the piecewise-linear basis. The underlying generalised sparse grid algorithm greedily selects the dimensions and variable interactions that contribute most to the variability of a function. The hierarchical surplus of points within the sparse grid is used as an error criterion for local refinement with the aim of concentrating computational effort within rapidly varying or discontinuous regions. This approach limits the number of points that are invested in `unimportant' dimensions and regions within the high-dimensional domain. We show the utility of the proposed method for non-smooth functions with hundreds of variables.

研究の動機と目的

• 不連続性や変数依存のばらつきを示す高次元問題における等方的スパースグリッドの非効率性を解消する。
• 階層的超過に基づく局所的h細分化と次元に適応する選択を組み合わせることで、計算効率を向上させる。
• 局所的多項式基底を用いた高次元手法を開発し、区分線形法と比較して滑らかな領域での収束速度を向上させる。
• 関数評価回数を制限した条件下で、非滑らかで高次元（最大700次元）の関数を正確に近似可能にする。
• 重要な次元および急変動・不連続領域に限定して細分化することで、計算コストを低減する。

提案手法

• 関数のばらつきに基づき、関数に与える影響が大きい部分空間（次元および変数の相互作用）を貪欲に選択する一般化スパースグリッドアルゴリズムを用いる。
• 階層的超過（新たな点における真の関数とその補間関数との差）を局所的h細分化の誤差指標として用いる。
• 滑らかな領域での高次収束を達成するために、局所的多項式基底（2次以上）を適用する。
• 階層的超過がしきい値を超えると、すべての次元で同時に局所的にグリッド点を細分化し、計算負荷を重要な領域に集中させる。
• 2段階の細分化戦略を採用する：まず、一般化スパースグリッドのインデックス集合を用いて重要な次元を同定する。次に、その部分空間内で階層的超過に基づき局所的に細分化する。
• 誤差指標γi,jとriを用いて細分化を誘導する。γi,j ≥ ε である点は細分化され、ri ≥ ε であるグリッドインデックスは細分化の対象となる。

実験結果

リサーチクエスチョン

• RQ1 局所的かつ次元に適応する細分化は、不連続性を有する高次元関数に対するスパースグリッド補間および数値積分の効率を向上させ得るか？
• RQ2 不連続性が存在する状況下で、高次多項式基底を用いることで、区分線形基底と比較して収束速度にどのような影響を与えるか？
• RQ3 h-GSG法は、高次元問題における正確な近似に必要な関数評価回数をどの程度削減できるか？
• RQ4 有効次元が未知であり、変数の重要度が暗黙的に重み付けされる状況下で、本手法はどのように性能を発揮するか？
• RQ5 次元数が400を超えて増加する際、誤差指標（γi,jおよびri）の選択が精度に与える影響は何か？

主な発見

• 700次元関数に対して、269,665件の関数評価で近似誤差が約1.68×10⁻²に達する。
• 次元数d=100の場合、3,376件の関数評価で積分誤差が3.81×10⁻⁴に達する。
• 係数λで制御される次元の重要度が上昇するにつれ、必要な関数評価回数が著しく増加する（例：λ=1では9,226回、λ=7.5では659,368回）。
• 不連続性が存在する状況下でも、2次基底関数の使用により、区分線形補間と比較して高い収束速度を維持する。
• 次元数の増加に伴い精度が低下する（d=400では8.44×10⁻⁵、d=700では1.68×10⁻²）。これは、高次元問題における現在の誤差指標の限界を示唆している。
• 理論的分析により、収束速度が階層的超過が許容誤差εに近い点の数に依存することが確認され、誤差指標設計への感受性が示された。