[論文レビュー] On optimal experimental designs for Sparse Polynomial Chaos Expansions

Noura Fajraoui, Stefano Marelli+1 more|arXiv (Cornell University)|Mar 15, 2017

Probabilistic and Robust Engineering Design被引用数 13

ひとこと要約

本稿は、計算コストの制約のもとでPCEの精度を最大化するために、逐次的で適応的な実験設計（ED）戦略を提案する。この戦略は、初期の空間を均等にカバーする設計をS値基準に基づいて反復的に拡張することで、スパースな多項式クラウド展開（PCE）の精度を向上させる。本手法は、D-最適性、最大最小設計、標準的なサンプリングと比較して、特に高次元問題において優れた精度と安定性を達成する。

ABSTRACT

Uncertainty quantification (UQ) has received much attention in the literature in the past decade. In this context, Sparse Polynomial chaos expansions (PCE) have been shown to be among the most promising methods because of their ability to model highly complex models at relatively low computational costs. A least-square minimization technique may be used to determine the coefficients of the sparse PCE by relying on the so called experimental design (ED), i.e. the sample points where the original computational model is evaluated. An efficient sampling strategy is then needed to generate an accurate PCE at low computational cost. This paper is concerned with the problem of identifying an optimal experimental design that maximizes the accuracy of the surrogate model over the whole input space within a given computational budget. A novel sequential adaptive strategy where the ED is enriched sequentially by capitalizing on the sparsity of the underlying metamodel is introduced. A comparative study between several state-of-the-art methods is performed on four numerical models with varying input dimensionality and computational complexity. It is shown that the optimal sequential design based on the S-value criterion yields accurate, stable and computationally efficient PCE.

研究の動機と目的

• 固定された計算予算内で、入力空間全体におけるスパースな多項式クラウド展開（PCE）の精度を最大化する最適な実験設計戦略を開発すること。
• 最小二乗回帰を用いたPCE係数推定のための効率的なサンプル点の選択という課題に対処すること。
• S値やD-最適性といった最適性基準に基づく逐次的適応ED戦略の性能を、空間を均等にカバーする設計や最大最小設計と比較して調査すること。
• 逐次的PCE構築のための最適な初期設計サイズと拡張ステップサイズ（$N_{\text{init}}$, $N_{\text{add}}$）を特定すること。
• 提案手法のロバストネスとスケーラビリティを、入力次元数や複雑さが異なるモデルの間で評価すること。

提案手法

• 本手法は、利用可能なサンプルから最適な多項式基底を特定するため、最小角度回帰（LARS）アルゴリズムに基づく次数適応型スパースPCEを用いる。
• 初期の実験設計は、入力ドメイン全体を広くカバーするため、空間を均等にカバーする技術（例：ラテン超立方法）を用いて生成される。
• EDは、現在のスパースPCE基底に依存する最適性基準に基づいて、逐次的に新しい点を追加することで拡張される。
• 2つの最適性基準が評価された：D-最適性（情報行列の行列式を最大化）とS値（情報行列の列の直交性を最大化）。
• S値基準は、最小二乗問題の条件数と安定性を向上させるために、情報量の多いサンプル点の選択を支援する。
• 4つのベンチマークモデルを用いて、$N_{\text{init}}$ と $N_{\text{add}}$ の影響を評価するためのパラメトリックスタディが実施された。

実験結果

リサーチクエスチョン

• RQ1 逐次的S値最適設計は、他のサンプリング戦略と比較して、PCEの精度と安定性においてどのように異なるか？
• RQ2 逐次的PCE構築において、初期設計サイズ（$N_{\text{init}}$）と拡張ステップサイズ（$N_{\text{add}}$）の最適なバランスは何か？
• RQ3 高次元問題において、S値基準はD-最適性および最大最小距離基準を上回る性能を示すか？
• RQ4 異なる入力次元数と計算複雑性を持つモデルにおいて、さまざまな実験設計戦略はどのように性能を発揮するか？
• RQ5 逐次的適応的アプローチは、高価なモデル評価回数を最小限に抑えながら、PCEの精度を著しく向上させることができるか？

主な発見

• 逐次的S値最適設計（$Seq$ S-optimal）は、すべてのテストケースにおいて最高の精度と安定性を達成し、他の戦略を顕著に上回った。
• $Seq$ D-最適アプローチは劣悪な性能を示し、D-最適性が逐次的スパースPCE構築には適さないことが示された。
• 最大最小に基づく逐次的設計は、低次元から中程度の次元（≤10）では良好に機能したが、高次元ケースでは不安定な挙動を示した。
• 普遍的なルール of thumb は存在せず、最適な$N_{\text{init}}$ と $N_{\text{add}}$ の値はモデルのスパarsityと複雑さに依存する。Ishigami関数では、より大きな初期設計がより良い結果をもたらした。
• S値基準は、PCE基底のスパarsityを効果的に活用し、情報量の多いサンプル点の選択を支援することで、一般化誤差の性能を向上させた。
• 提案された逐次的適応的戦略は、相対的一般化誤差を著しく低減し、1次元拡散問題やラーメン構造を含む多様なモデルにおいて、ロバストネスを示した。