[論文レビュー] Multilevel Sparse Grid Methods for Elliptic Partial Differential Equations with Random Coefficients

Hans‐Werner van Wyk|arXiv (Cornell University)|Apr 3, 2014

Probabilistic and Robust Engineering Design参考文献 25被引用数 8

ひとこと要約

本稿は、乱数係数を伴う楕円型PDEに対するスパースグリッド確率コロケーションに、マルチレベルサンプリング手法を拡張し、階層的空間離散化と適応的求積を組み合わせることで計算コストを低減する。マルチレベルスパースグリッド法が、空間の細分化とサンプリングの調整を誤差推定と収束率に基づいて行うことで、単一レベル手法よりも高い効率性を達成することを示している。

ABSTRACT

Stochastic sampling methods are arguably the most direct and least intrusive means of incorporating parametric uncertainty into numerical simulations of partial differential equations with random inputs. However, to achieve an overall error that is within a desired tolerance, a large number of sample simulations may be required (to control the sampling error), each of which may need to be run at high levels of spatial fidelity (to control the spatial error). Multilevel sampling methods aim to achieve the same accuracy as traditional sampling methods, but at a reduced computational cost, through the use of a hierarchy of spatial discretization models. Multilevel algorithms coordinate the number of samples needed at each discretization level by minimizing the computational cost, subject to a given error tolerance. They can be applied to a variety of sampling schemes, exploit nesting when available, can be implemented in parallel and can be used to inform adaptive spatial refinement strategies. We extend the multilevel sampling algorithm to sparse grid stochastic collocation methods, discuss its numerical implementation and demonstrate its efficiency both theoretically and by means of numerical examples.

研究の動機と目的

• サンプリングベースの手法を用いた乱数係数を伴う楕円型PDEにおける不確実性定量化の高い計算コストを解決すること。
• 空間離散化のレベルと各モデル階層におけるサンプリング数を統合的に調整することで、確率的コロケーションの全体的な計算コストを低減すること。
• 非侵襲的かつ並列処理が可能な性質を保ちつつ、スパースグリッドを用いた補間ベースの確率的コロケーションにマルチレベルモンテカルロフレームワークを拡張すること。
• 空間細分化戦略およびメッシュ細分化パラメータがマルチレベルアルゴリズムの効率性に与える影響を調査すること。
• 数値実験を通じて、マルチレベルスパースグリッド法が特定の状況下で単一レベルスパースグリッド法やマルチレベルモンテカルロ法を上回ることを実証すること。

提案手法

• 乱数場の有限次元近似を用いて、確率的目的関数をパラメータ領域上の高次元積分として定式化する。
• 乱数パラメータ空間における階層的・非一様なコロケーション点グリッドを用いて、スパースグリッド確率的コロケーションにより積分を近似する。
• 解像度を段階的に高めた空間離散化の階層を構築し、各レベルでより細かいメッシュと対応する解 $ u_h $ を使用する。
• 誤差推定と収束率を用いて、与えられた許容誤差のもとで総計算コストを最小化する各空間レベルにおける最適なサンプル数を決定する。
• 情報のネスティングと並列処理を活用し、空間細分化と求積レベルを調整するラッパーとしてのマルチレベルアルゴリズムを実装する。
• 前回の実行から得られる診断情報を活用して最適なリファインメントパラメータを推定し、過剰リファインメントや不十分リファインメントを回避する。

実験結果

リサーチクエスチョン

• RQ1 マルチレベルサンプリング技法は、モンテカルロ法からスパースグリッド確率的コロケーションへと、乱数PDEに対して効果的に拡張可能か？
• RQ2 空間細分化戦略の選択（例：二進細分化、固定細分化パラメータ $ s $）が、全体の計算コストと効率性に与える影響はいかほどか？
• RQ3 空間細分化レベルの数が、マルチレベルアルゴリズムの総 $ \varepsilon $-コストに与える影響は何か？
• RQ4 マルチレベルフレームワークは、非侵襲的かつ並列処理が可能な性質を維持しながら、確率的コロケーションの効率性を向上させることができるか？
• RQ5 空間離散化とサンプリングの誤差寄与がどのように相互に作用するか、そしてコストを最小化するためにどのようにバランスを取るべきか？

主な発見

• 2次元テストケースにおいて、マルチレベルスパースグリッド法は、空間細分化を注意深く制御する場合、単一レベルスパースグリッド法やマルチレベルモンテカルロ法よりも計算効率に優れていることが示された。
• 最適なメッシュ細分化パラメータ $ s=6 $ が $ \varepsilon $-コストを最小化することが観察され、これは、過剰に攻撃的または消極的な細分化戦略が計算オーバーヘッドを増加させることを示している。
• 空間許容誤差を1回の細分化ステップで正確に達成する $ s=160 $ のケースが、最低コストを達成しなかったことから、レベル数とサンプリング分布が空間誤差制御を超えて性能に顕著な影響を与えることがわかった。
• マルチレベルアルゴリズムは、高精度での均一サンプリングではなく、推定誤差と収束率に基づいて各空間レベル間でサンプル数を調整することで、全体の計算コストを低減した。
• 2次元例では、最大で16,641の自由度を有するが、レベル間での情報再利用と適応的サンプリングのおかげで、マルチレベルスパースグリッド法は依然として効率的であった。
• 本手法は非侵襲的かつ並列処理が可能であり、既存のソルバーにラッパーとして組み込むことができるため、既存のシミュレーションパイプラインへの統合が実用的である。