[論文レビュー] Probabilistic Meshless Methods for Partial Differential Equations and Bayesian Inverse Problems.

Jon Cockayne, Chris J. Oates+2 more|arXiv (Cornell University)|May 25, 2016

Probabilistic and Robust Engineering Design参考文献 56被引用数 32

ひとこと要約

本稿では、偏微分方程式（PDE）を解くための確率的メッシュレス手法を導入し、PDE制約付きベイズ逆問題に応用している。PDEの数値解を確率変数として扱うことで、離散化誤差を定量化・伝播可能とし、PDEソルバの失敗や顕著な誤差が生じても、堅牢な統計的推論を可能にする。同時に、ソルバ選択をベイズ実験設計問題として定式化している。

ABSTRACT

This paper develops a probabilistic numerical method for solution of partial differential equations (PDEs) and studies application of that method to PDE-constrained inverse problems. This approach enables the solution of challenging inverse problems whilst accounting, in a statistically principled way, for the impact of discretisation error due to numerical solution of the PDE. In particular, the approach confers robustness to failure of the numerical PDE solver, with statistical inferences driven to be more conservative in the presence of substantial discretisation error. Going further, the problem of choosing a PDE solver is cast as a problem in the Bayesian design of experiments, where the aim is to minimise the impact of solver error on statistical inferences; here the challenge of non-linear PDEs is also considered. The method is applied to parameter inference problems in which discretisation error in non-negligible and must be accounted for in order to reach conclusions that are statistically valid.

研究の動機と目的

• 離散化誤差を考慮した統計的に整合性のあるPDEの解法を確立すること。
• 数値ソルバの不確実性をモデル化することで、ベイズ逆問題におけるロバストネスを向上させること。
• 非線形PDEの文脈における不確実性評価とソルバの信頼性という課題に取り組むこと。
• PDEソルバの選択を、推論への誤差の影響を最小限に抑えるベイズ実験設計問題として定式化すること。
• 離散化誤差が無視できない状況においても、パラメータ推定における統計的推論の有効性を保証すること。

提案手法

• 本手法は、PDEの解を関数上の確率分布として表現する確率的メッシュレスアプローチを採用している。
• 離散化誤差は認識的不確実性としてモデル化され、ベイズ推論を用いて逆問題全体に伝播される。
• PDEの数値解は確率場として扱われ、前向きモデルにおける不確実性評価が可能になる。
• ソルバの故障は、事後分布の分散を増加させることで保守的に扱われ、数値結果への信頼性の低下が反映される。
• PDEソルバの選択は、事後分布の不確実性を最小限に抑えるために、ベイズ実験設計問題として形式化されている。
• 非線形観測モデルの組み込みと適応的ソルバ戦略の導入により、非線形PDEへの拡張がなされている。

実験結果

リサーチクエスチョン

• RQ1 数値的PDE解における離散化誤差を、ベイズ逆問題において体系的かつ伝播可能に定量化する方法は何か？
• RQ2 ソルバの不確実性をモデル化することで、逆問題における数値的ソルバの故障に対するロバストネスはどのように向上するか？
• RQ3 離散化誤差が統計的推論に与える影響を最小限に抑えるために、PDEソルバの選択を最適化する方法は何か？
• RQ4 確率的メッシュレス手法は、非線形PDEの逆問題設定において、信頼性のある不確実性評価を提供できるか？
• RQ5 PDE解を確率変数として扱うことで、パラメータ推定における統計的結論の妥当性はどの程度向上するか？

主な発見

• 確率的メッシュレス手法は、ベイズ逆問題において離散化誤差を的確に定量化・伝播でき、より信頼性の高い不確実性推定を実現した。
• 離散化誤差が大きい場合には、統計的推論がより保守的になる傾向があり、ソルバの故障や不正確さに起因する不確実性の増大が反映される。
• ソルバが信頼できない場合でも、事後分布を数値的不確実性を反映するように調整することで、堅牢な推論が可能になった。
• ベイズ実験設計を用いたソルバ選択により、離散化誤差が事後推論に与える影響が効果的に低減された。
• 離散化誤差が無視できない状況においても、本手法はパラメータ推定における統計的妥当性を維持でき、古典的手法が失敗する状況でも有効であった。
• 非線形PDEに対しても本手法は拡張可能であり、顕著な数値的不確実性を伴う複雑な逆問題への応用における汎用性を示した。