[論文レビュー] Multi-scale variance reduction methods based on multiple control variates for kinetic equations with uncertainties

Giacomo Dimarco, Lorenzo Pareschi|arXiv (Cornell University)|Dec 12, 2018

Probabilistic and Robust Engineering Design参考文献 25被引用数 27

ひとこと要約

本稿では、不確実性を伴うキネティック方程式に対するマルチスケール分散低減手法を、複数の制御変数を用いて導入し、モンテカルロサンプリングの効率を顕著に向上させている。階層的または非階層的な制御変数（例：BGKモデルおよび圧縮性Euler方程式）を活用することで、単一の制御変数手法よりも統計的分散をより効果的に低減し、特に拡散的領域（小さなクヌーゼン数）において顕著な効果を示す。これにより、少ないサンプル数でより高い精度が達成可能となる。

ABSTRACT

The development of efficient numerical methods for kinetic equations with stochastic parameters is a challenge due to the high dimensionality of the problem. Recently we introduced a multiscale control variate strategy which is capable to accelerate considerably the slow convergence of standard Monte Carlo methods for uncertainty quantification. Here we generalize this class of methods to the case of multiple control variates. We show that the additional degrees of freedom can be used to improve further the variance reduction properties of multiscale control variate methods.

研究の動機と目的

• 不確実性を伴うキネティック方程式の不確実性評価における、標準モンテカルロ法の高い計算コストを低減すること。
• キネティック方程式に内在するマルチスケール構造を活用し、従来のモンテカルロ法の収束遅さを克服すること。
• マルチスケール制御変数（MSCV）フレームワークを複数の制御変数に拡張し、分散低減を強化すること。
• 不確実性評価における複数の制御変数の組み合わせ方として、階層的および非階層的戦略の開発と分析を行うこと。
• 異なるクヌーゼン数において、数値実験を通じて、精度対コスト比の向上を実証すること。

提案手法

• 簡略化されたキネティックモデルの解を制御変数として用いることで、複数の制御変数に一般化されたマルチスケール制御変数（MSCV）フレームワークを提案する。
• 2つのバリエーションを導入：階層的MSCVH2（例：BGKと圧縮性Eulerが逐次的近似として使用）および非階層的MSCV2（独立した制御変数）。
• 制御変数推定器を、元のモデルと複数の制御変数解の線形結合として定式化し、最適係数を用いて分散を最小化する。
• 高精度なボルツマン方程式の解を近似するために、BGKモデルおよび圧縮性Euler方程式を低精度モデルとして用いる。
• 制御変数の計算に異なるサンプルサイズを適用するマルチレベルモンテカルロ設定で本手法を適用し、コストと分散低減のバランスを取る。
• ε → 0 のとき解が拡散的極限に近づくキネティック方程式のマルチスケール性を活用し、支配的挙動を捉える制御変数を設計する。

実験結果

リサーチクエスチョン

• RQ1 複数の制御変数を用いることで、単一の制御変数手法よりも、不確実性を伴うキネティック方程式のモンテカルロシミュレーションにおける分散低減がさらに達成可能か？
• RQ2 BGKモデルに続くEuler方程式といった制御変数の階層的構造が、分散低減および計算効率に与える影響は何か？
• RQ3 独立したモデル（例：異なる緩和周波数を持つ2つのBGKモデル）を用いた非階層的制御変数の使用が、不確実性評価の精度とコストに与える影響は何か？
• RQ4 クヌーゼン数が減少する（すなわち拡散的領域において）マルチコントロール変数手法の性能はどのように変化するか？
• RQ5 提案手法を最適なマルチレベル制御変数フレームワークに拡張することで、さらなる効率向上が可能か？

主な発見

• 特に階層的MSCVH2アプローチが、標準モンテカルロ法および単一制御変数MSCVと比較して、温度および密度の期待値推定における$L_2$誤差を顕著に低減している。
• ε = 2×10^{-4} の場合、ボルツマン方程式に10サンプル（M=10）、Eulerモデルに10^5サンプル（M_{E_2}=10^5）を用いることで、階層的MSCVH2法は密度推定の$L_2$誤差を標準MCと比較して最大1桁低減している。
• 2つのBGKモデル（異なる緩和周波数）を用いたMSCV2法は、標準MC法よりも精度が向上しており、特に制御変数のサンプル数M_Eを10^5に増加させた場合に顕著である。
• 分散低減効果は、特に拡散的領域（ε=10^{-3}および2×10^{-4}）で顕著であり、マルチスケール構造が最も効果を発揮する。
• テストした全クヌーゼン数範囲で、安定性と収束性を維持しており、誤差曲線は標準MC法と比較して一貫した改善を示している。
• 理論的および数値的結果から、適切に選択され、計算的に安価な制御変数を用いることで、複数の制御変数は単一の制御変数よりも優れた分散低減を実現することが確認された。