[논문 리뷰] A multi-modes Monte Carlo finite element method for elliptic partial differential equations with random coefficients

Xiaobing Feng, Junxia Lin외 1명|arXiv (Cornell University)|2016. 03. 29.

Probabilistic and Robust Engineering Design참고 문헌 12인용 수 3

한 줄 요약

이 논문은 무작위 계수를 가진 타원형 PDE를 해결하기 위해 다중 모드 몽테카를로 유한요소법을 제안한다. 무작위 계수는 결정론적 계수의 소규모 변형이다. 해를 변형 매개변수의 멱급수로 전개하고, 각 모드에서 동일한 결정론적 연산자를 반복적으로 LU 분해함으로써, 표준 몽테카를로 또는 스토하스틱 갈레르킨 방법보다 훨씬 효율적인 계산 복잡도를 달성한다. 이는 몇 개의 결정론적 문제를 풀 때와 유사한 복잡도를 가지며, 계산 효율성이 크게 향상된다.

ABSTRACT

This paper develops and analyzes an efficient numerical method for solving elliptic partial differential equations, where the diffusion coefficients are random perturbations of deterministic diffusion coefficients. The method is based upon a multi-modes representation of the solution as a power series of the perturbation parameter, and the Monte Carlo technique for sampling the probability space. One key feature of the proposed method is that the governing equations for all the expanded mode functions share the same deterministic diffusion coefficients, thus an efficient direct solver by repeated use of the $LU$ decomposition matrices can be employed for solving the finite element discretized linear systems. It is shown that the computational complexity of the whole algorithm is comparable to that of solving a few deterministic elliptic partial differential equations using the $LU$ director solver. Error estimates are derived for the method, and numerical experiments are provided to test the efficiency of the algorithm and validate the theoretical results.

연구 동기 및 목표

• 표준 몽테카를로 또는 스토하스틱 갈레르킨 방법을 사용할 경우 타원형 PDE를 무작위 계수로 해결할 때 발생하는 높은 계산 비용을 해결하기 위해.
• 작은 $ \varepsilon $ 인 형태의 약간 무작위적인 확산 계수 $ a_0 + \varepsilon \eta $ 를 효율적으로 처리할 수 있는 방법을 개발하기 위해.
• 각 모드 방정식 간의 구조적 유사성(동일한 결정론적 연산자 공유)을 활용하여, 다양한 모드 간에 LU 분해를 재사용할 수 있도록 하기 위해.
• 고차원 확률 공간에서의 샘플링을 수행하더라도, 몇 개의 결정론적 문제를 푸는 것과 유사한 계산 복잡도를 달성하기 위해.
• 카르누넨-로브 전개를 통해 일반적인 무작위 매질로의 확장을 위해 프레임워크를 확장하기 위해.

제안 방법

• 해 $ u^\varepsilon $ 는 $ \varepsilon $ 에 대한 멱급수로 전개된다: $ u^\varepsilon = \sum_{n=0}^\infty \varepsilon^n u_n $, 여기서 각 모드 $ u_n $ 은 결정론적 계수와 무작위 소스를 가진 타원형 PDE를 만족한다.
• 확률 공간에 대한 무작위 필드 $ \eta $ 의 샘플링에 몽테카를로 방법을 적용하고, 각 모드 방정식은 유한요소법으로 이산화된다.
• 각 모드의 유한요소 강성 행렬은 공통된 $ \nabla \cdot (a_0 \nabla) $ 연산자를 공유하므로, 모든 모드 간에 LU 분해 행렬을 재사용할 수 있다.
• 각 샘플된 실현값 $ \omega_j $ 에 대해, $ u_n(\omega_j) $ 의 해법은 사전에 계산된 $ L $ 과 $ U $ 행렬을 사용한 전진 및 역행렬 대입으로 간단해지며, 해법 시간이 크게 감소한다.
• 카르누넨-로브 전개를 통해 계수를 $ \overline{a}(x) + \varepsilon \zeta(x,\omega) $ 로 재기록함으로써, 더 넓은 범위의 무작위 매질로의 일반화가 가능해진다. 여기서 $ \varepsilon = O(\ell^{r/2}) $ 이다.
• 이 방법은 유한차분, 불연속 갈레르킨 또는 스펙트럼 방법을 포함한 어떤 공간 이산화 방법과도 조합 가능하여 유연성이 뛰어나다.

실험 결과

연구 질문

• RQ1 다중 모드 전개와 몽테카를로 샘플링을 조합함으로써, 약간 무작위적인 계수를 가진 무작위 타원형 PDE를 해결하는 데 있어 계산 비용을 줄일 수 있는가?
• RQ2 모든 모드 함수에 공통된 결정론적 연산자를 어떻게 활용하여, 유한요소 이산화에서 발생하는 선형 시스템의 해법을 가속화할 수 있는가?
• RQ3 제안된 방법의 계산 복잡도는 고전적 몽테카를로 또는 스토하스틱 갈레르킨 방법과 비교하여 어떻게 되는가?
• RQ4 이 방법은 초기에 $ a_0 + \varepsilon \eta $ 형태가 아닌 무작위 계수로도 어느 정도 일반화될 수 있는가?
• RQ5 근사의 정확도는 모드 수 $ N $ 과 변형 크기 $ \varepsilon $ 에 따라 어떻게 달라지는가?

주요 결과

• 제안된 다중 모드 몽테카를로 유한요소법의 계산 복잡도는, 모든 모드 간에 재사용 가능한 LU 분해 덕분에, LU 직접 해법을 사용해 몇 개의 결정론적 타원형 문제를 푸는 것과 유사한 복잡도를 가지며, 계산 효율성이 크게 향상된다.
• 모드 수 $ N=2 $ 일 때 $ \varepsilon = 0.2 $ 인 경우 상대적 $ L^2 $-노름 오차는 0.0104 에서 $ N=5 $ 일 때 0.0016 으로 감소하여, 중간 수준의 모드 수로도 높은 정확도를 확보함을 보여준다.
• $ \varepsilon = 0.4 $ 일 때 오차는 $ N=2 $ 에서 0.0416 에서 $ N=5 $ 에서 0.0016 으로 감소하여, 모드 수가 증가할수록 수렴성이 향상됨을 확인한다.
• $ \varepsilon = 0.8 $ 일 때 오차는 $ N=2 $ 에서 0.1632 에서 $ N=5 $ 에서 0.0138 로 감소하여, 더 큰 변형에서는 더 많은 모드가 필요함을 확인한다.
• $ \varepsilon = 0.2 $ 이고 $ N=5 $ 일 때 오차가 정체되는 것은 모드 전개의 오차가 아니라, 공간 이산화 오차가 총 오차를 지배하기 때문이다.
• 카르누넨-로브 전개를 통해 일반적인 무작위 매질로 확장된 경우에도 방법은 효과적으로 유지되며, 계수를 $ \overline{a}(x) + \varepsilon \zeta(x,\omega) $ 로 표현하고 $ \varepsilon = O(\ell^{r/2}) $ 이므로, 상관 길이 $ \ell $ 를 가진 가우시안 무작위 필드에 적용 가능하다.