[논문 리뷰] A multilevel adaptive sparse grid stochastic collocation approach to the non-smooth forward propagation of uncertainty in discretized problems

Robert L. Gates, Maximilian Bittens|arXiv (Cornell University)|2015. 09. 04.

Probabilistic and Robust Engineering Design인용 수 4

한 줄 요약

이 논문은 계산역학 분야에서 비연속적인 확률적 편미분방정식을 효율적으로 해결하기 위해 다중수준 적응형 희소 격자 콜로케이션(MLASGC) 방법을 제안한다. 적응형 희소 격자 확률적 콜로케이션과 공간 이산화의 계층적 체계를 융합함으로써 MLASGC는 수렴 속도 ε ∼ t⁻⁰·⁹⁵를 달성하며, 단일 수준 ALSGC(ε ∼ t⁻⁰·⁶⁵)와 MLMC(ε ≲ t⁻⁰·⁵)보다 뚜렷이 뛰어난 성능을 보인다.

ABSTRACT

This work proposes a scheme for significantly reducing the computational complexity of discretized problems involving the non-smooth forward propagation of uncertainty by combining the adaptive hierarchical sparse grid stochastic collocation method (ALSGC) with a hierarchy of successively finer spatial discretizations (e.g. finite elements) of the underlying deterministic problem. To achieve this, we build strongly upon ideas from the Multilevel Monte Carlo method (MLMC), which represents a well-established technique for the reduction of computational complexity in problems affected by both deterministic and stochastic error contributions. The resulting approach is termed the Multilevel Adaptive Sparse Grid Collocation (MLASGC) method. Preliminary results for a low-dimensional, non-smooth parametric ODE problem are promising: the proposed MLASGC method exhibits an error/cost-relation of $\\varepsilon \\sim t^{-0.95}$ and therefore significantly outperforms the single-level ALSGC ($\\varepsilon \\sim t^{-0.65}$) and MLMC methods ($\\varepsilon \\lesssim t^{-0.5}$).

연구 동기 및 목표

• 계산역학에서 발생하는 비연속적이고 파rametric인 문제에서의 정방향 불확실성 전파의 높은 계산 비용을 해결한다.
• 해가 확률적 매개변수 영역에서 연속성이 결여된 경우 전통적인 확률적 콜로케이션 및 몬테카를로 방법의 한계를 극복한다.
• 다중수준 공간 이산화 체계와 적응형 희소 격자 콜로케이션을 융합하여 계산 복잡도를 감소시킨다.
• 다중수준 몬테카를로 원리를 활용하여 계층적 공간 격자에서의 결정론적 오차와 확률적 오차를 균형 잡는다.
• 기존의 결정론적 해석기와 호환되는 비내재적이고 병렬 처리 가능한 프레임워크를 개발하여 공학적 응용에 적합하게 한다.

제안 방법

• 비연속적 해 거동을 다루기 위해 계층적 기저 함수와 국소 오차 추정치를 사용하여 확률 공간에서의 희소 격자를 적응적으로 정밀화한다.
• 기본 결정론적 문제의 점진적으로 더 정밀한 유한요소 이산화 체계를 구성하여 정밀도의 다중 수준을 표현한다.
• 각 공간 이산화 수준에서 적응형 계층적 희소 격자 콜로케이션(ASLCG) 방법을 적용하여 확률적 보간치를 계산한다.
• 전반적인 정밀도 허용 오차를 선형적으로 수준 간에 분배하여 더 정밀한 격자에서의 비용을 줄이면서도 정확도를 유지한다.
• 다중수준 몬테카를로(MLMC)에 영감을 얻은 다중수준 보정 전략을 사용하여 수준 간의 차이를 계산함으로써 총 분산을 감소시킨다.
• 시간 적분기의 전반적 절단 오차(Δt_R)에 비례하는 정밀도 허용 오차를 설정하여 이산화 오차와 보간 오차를 균형 잡는다.

실험 결과

연구 질문

• RQ1 비연속적인 확률적 정방향 문제의 계산 복잡도는 다중수준 접근법과 적응형 희소 격자를 통해 뚜렷이 감소시킬 수 있는가?
• RQ2 제안된 MLASGC 방법의 오차 감쇠 속도는 비연속 문제에서 단일 수준 ALSGC 및 MLMC와 비교해 어떻게 되는가?
• RQ3 다중수준 보간치에 대해 정밀도 허용 오차를 선형적으로 분배하면 균일 분배보다 더 나은 성능을 내는가?
• RQ4 이 방법의 비내재적 성격을 활용하여 효율적인 병렬 처리와 기존의 유한요소 프레임워크에의 통합이 가능한가?
• RQ5 MLASGC 방법은 중간 정도의 확률적 차원과 무연속적인 해 거동을 보이는 무작위 공간에서 적용 가능한가?

주요 결과

• MLASGC 방법은 오차/비용 수렴 속도 ε ∼ t⁻⁰·⁹⁵를 달성하여 단일 수준 ALSGC(ε ∼ t⁻⁰·⁶⁵)보다 뛰어난 효율성을 보였다.
• 표준 다중수준 몬테카를로(MLMC) 방법보다 성능이 뛰어나며, MLMC는 더 느린 수렴 속도 ε ≲ t⁻⁰·⁵를 보였다.
• 다중수준 보간치에 대해 정밀도 허용 오차를 선형적으로 분배하면 균일 분배보다 더 나은 성능을 내었으며, 더 정밀한 수준에서 필요한 콜로케이션 점의 수를 감소시켰다.
• 비연속 문제를 효과적으로 다루기 위해 확률 공간에서의 적응형 정밀화와 다중수준 공간 이산화를 융합함으로써, 연속성이 결여된 경우의 수렴 손실을 완화시켰다.
• 이 방법은 비내재적이며 기존의 결정론적 해석기와 호환되어 간편한 구현과 병렬 처리가 가능했다.
• 다소 유망한 결과를 보였지만, 이 방법의 수렴 성질에 대한 엄밀한 수학적 분석이 부족하여 향후 이론적 발전의 여지가 남아 있다.