[論文レビュー] Physics-Informed Gaussian Process Regression Generalizes Linear PDE Solvers

Marvin Pförtner, Ingo Steinwart+2 more|arXiv (Cornell University)|Dec 23, 2022

Gaussian Processes and Bayesian Inference被引用数 13

ひとこと要約

この論文は、線形PDEの解を有界線形作用素下でのベイズ推論として扱うことで、線形PDEソルバーを一般化する物理的制約付きガウス過程回帰フレームワークを導入する。これにより、離散化誤差、パラメータの不確実性、ノイズのある測定値の厳密な定量的評価が可能となり、ガーリング、コロケーション、重み付き残差法が一貫した確率的モデルに統合され、構造的な誤差推定が可能になる。

ABSTRACT

Linear partial differential equations (PDEs) are an important, widely applied class of mechanistic models, describing physical processes such as heat transfer, electromagnetism, and wave propagation. In practice, specialized numerical methods based on discretization are used to solve PDEs. They generally use an estimate of the unknown model parameters and, if available, physical measurements for initialization. Such solvers are often embedded into larger scientific models with a downstream application and thus error quantification plays a key role. However, by ignoring parameter and measurement uncertainty, classical PDE solvers may fail to produce consistent estimates of their inherent approximation error. In this work, we approach this problem in a principled fashion by interpreting solving linear PDEs as physics-informed Gaussian process (GP) regression. Our framework is based on a key generalization of the Gaussian process inference theorem to observations made via an arbitrary bounded linear operator. Crucially, this probabilistic viewpoint allows to (1) quantify the inherent discretization error; (2) propagate uncertainty about the model parameters to the solution; and (3) condition on noisy measurements. Demonstrating the strength of this formulation, we prove that it strictly generalizes methods of weighted residuals, a central class of PDE solvers including collocation, finite volume, pseudospectral, and (generalized) Galerkin methods such as finite element and spectral methods. This class can thus be directly equipped with a structured error estimate. In summary, our results enable the seamless integration of mechanistic models as modular building blocks into probabilistic models by blurring the boundaries between numerical analysis and Bayesian inference.

研究の動機と目的

• パラメータと測定ノイズが無視されるため、古典的数値PDEソルバーにおける不確実性評価の欠如に対処すること。
• 物理的制約を備えたガウス過程を用いて、線形PDEの解法をベイズ推論問題として形式化すること。
• ガーリング、コロケーション、有限要素法などの標準的な重み付き残差法を、統一された確率的枠組み内で一般化すること。
• 原理的確率的アプローチにより、モデルパラメータと境界条件の不確実性を解に伝播させること。
• 機械的PDEモデルをモジュラーで不確実性を考慮したコンponentsとして、より大きな科学的ワークフローに埋め込むことで、数値解析とベイズ推論の境界を曇らせる。

提案手法

• PDEの解をSobolev空間上の関数のガウス過程事前分布としてモデル化し、弱微分が定義可能となる十分な滑らかさを保証する。
• 観測を有界線形作用素を介して条件づけることで、標準的なGP推論定理をPDE制約および境界条件を扱えるように一般化する。
• ノイズのある物理的測定値と不確実なパラメータを、GP尤度内での確率的観測として扱うことで、それらをフレームワークに統合する。
• 線形PDEの弱形式を尤度関数として定義することで、標準的なガーリング型手法が確率的推論の特殊ケースとして利用可能になる。
• ややきつい正則性条件のもとで、事後分布が解析的に扱えるため、閉形式での不確実性伝播と誤差推定が可能になる。
• 解空間がPDEのSobolev空間要件を満たすように、滑らかさパrameterを適切に選んだMatérn共分散関数を用いることで、解空間の一貫性を保証する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約付きガウス過程回帰を、ガーリング法やコロケーション法などの古典的線形PDEソルバーを一般化できる形で定式化できるか？
• RQ2 確率的枠組み内で、PDE解における離散化誤差をどのように定量的評価できるか？
• RQ3 GP推論を用いて、モデルパラメータの不確実性とノイズのある測定値が、PDE解にどの程度伝播できるか？
• RQ4 提案されたフレームワークは、既存の重み付き残差法を一貫した確率的推論メカニズムで統合できるか？
• RQ5 得られる確率的PDEソルバーは、一貫した不確実性評価を保ちながら、下流の科学的モデルにスムーズに統合可能か？

主な発見

• 提案されたフレームワークは、コロケーション法、有限体積法、擬スペクトル法、および有限要素法やスペクトル法を含むガーリング法を含む、重み付き残差法のすべてを一般化する。
• PDEと境界制約に条件づけられた確率的関数としての解を扱うことで、離散化誤差に対する構造的でモデルベースの誤差推定を提供する。
• GP事後分布を通じて、モデルパラメータの不確実性とノイズのある測定値が自然に解に伝播され、ロバストな下流推論が可能になる。
• 適切な滑らかさパrameterを有するMatérn共分散関数を選択することで、解空間がPDEの正則性要件と整合するように保証される。
• 数値解析とベイズ推論を共通の確率的基盤を通じて統合することで、機械的モデルを確率的ワークフローにスムーズに統合する。
• 理論的枠組みは、有界線形作用素とSobolev空間に根ざしており、数学的厳密性を保ち、広範な線形PDEクラスへの適用可能性を有する。