[논문 리뷰] A Multilevel Monte Carlo Ensemble Scheme for Solving Random Parabolic PDEs

Yan Luo, Zhu Wang|arXiv (Cornell University)|2018. 02. 15.

Probabilistic and Robust Engineering Design참고 문헌 21인용 수 8

한 줄 요약

이 논문은 랜덤 계수를 가진 랜덤 편미분방정식을 해결하기 위해 이차 순차적 시간 스텝 기반 방법과 다수준 몬테카를로 샘플링을 융합한 다수준 몬테카를로 앙상블 방법을 제안한다. 이 방법은 각 수준에서 다중 우측항을 가진 단일 선형 시스템을 풀음으로써 최적의 수렴 속도를 확보하면서도 계산 비용을 크게 감소시켜 기존 몬테카를로 방법보다 효율성을 높이며 높은 정확도를 유지한다.

ABSTRACT

A first-order, Monte Carlo ensemble method has been recently introduced for solving parabolic equations with random coefficients in [26], which is a natural synthesis of the ensemble-based, Monte Carlo sampling algorithm and the ensemble-based, first-order time stepping scheme. With the introduction of an ensemble average of the diffusion function, this algorithm leads to a single discrete system with multiple right-hand sides for a group of realizations, which could be solved more efficiently than a sequence of linear systems. In this paper, we pursue in the same direction and develop a new multilevel Monte Carlo ensemble method for solving random parabolic partial differential equations. Comparing with the approach in [26], this method possesses a high-order accuracy in time and further reduces the computational cost by using the multilevel Monte Carlo method. Rigorous numerical analysis shows the method achieves the optimal rate of convergence. Several numerical experiments are presented to illustrate the theoretical results.

연구 동기 및 목표

• 랜덤 계수를 가진 랜덤 편미분방정식을 해결하기 위한 계산 효율성을 향상시키기 위해.
• 불확실성 정량화에서 표준 몬테카를로 방법의 높은 계산 비용 문제를 해결하기 위해.
• 더 높은 시간 정확도와 분산 감소를 위해 앙상블 기반 접근을 다수준 프레임워크로 확장하기 위해.
• 엄밀한 수치 분석을 통해 L2 및 H1 노름에서 최적의 수렴 속도를 확보하기 위해.
• 수치 실험을 통해 제안된 방법이 표준 몬테카를로 및 개별 시뮬레이션보다 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• 모든 앙상블 구성원 간에 동일한 계수 행렬을 공유하는 이차 순차적 시간 이산화 방법을 사용하여 다중 우측항을 효율적으로 풀 수 있도록 한다.
• 대부분의 시뮬레이션을 저해상도에서, 소수의 시뮬레이션을 고해상도에서 수행함으로써 분산을 감소시키기 위해 다수준 몬테카를로(MLMC) 프레임워크를 통합한다.
• 계층적 샘플링 전략을 사용하며, 수준 $ l $ 에서 $ J_l = 2^{4(L-l)+1} $ 개의 샘플을 확보하여 정확도와 비용 간 최적의 균형을 확보한다.
• 공간 이산화에는 2차 유한요소를 사용하고, 소규모 문제의 경우 LU 분해를 통해 해를 계산한다.
• 모든 실현에서 행렬의 구조를 유지하기 위해 확산 계수의 앙상블 평균을 사용하여 행렬 재사용을 가능하게 한다.
• 최종 시간에서의 기대값 해는 $ \Psi_h^E(\mathbf{x}) = \Psi[u_L^E(t_{N_L})] $ 를 통해 계산되며, 오차 노름을 통한 수렴성이 검증된다.

실험 결과

연구 질문

• RQ1 다수준 몬테카를로 앙상블 방법은 랜덤 계수를 가진 랜덤 편미분방정식에 대해 일阶 앙상블 몬테카를로 방법보다 더 높은 시간 정확도와 낮은 계산 비용을 달성할 수 있는가?
• RQ2 제안된 방법은 랜덤 계수를 가진 랜덤 편미분방정식에 대해 L2 및 H1 노름에서 최적의 수렴 속도를 유지하는가?
• RQ3 앙상블 기반 MLMC 방법의 계산 효율성은 표준 개별 몬테카를로 시뮬레이션과 비교해 어떻게 되는가?
• RQ4 다양한 수준에서 계층적 샘플링을 사용함으로써 분산을 효과적으로 감소시키면서 정확도를 유지할 수 있는가?
• RQ5 공유 계수 행렬과 블록 선형 해법기법이 앙상블 환경에서 전체 시뮬레이션 성능에 어떤 영향을 미치는가?

주요 결과

• EMLMC 방법은 최종 메쉬 크기 $ h_L $ 에 대해 $ \mathcal{E}_{L^2} $ 와 $ \mathcal{E}_{H^1} $ 에서 모두 2차 수렴 속도를 확보하여 이론적 예측을 확인한다.
• 수치 실험 결과 EMLMC 해는 평균 해에서 기준 개별 몬테카를로 시뮬레이션과 $ 10^{-4} $ 이내로 일치함을 보여 높은 정확도를 입증한다.
• EMLMC 방법은 개별 시뮬레이션의 CPU 시간 $ 1.01 \times 10^4 $ 초에서 $ 2.65 \times 10^3 $ 초로 감소시켜 3.8배의 성능 향상을 달성한다.
• 모든 수준에서 안정성 조건을 만족시키기 위해 표본 크기를 조정해도 방법은 안정성과 정확도를 유지한다.
• 여러 차례 메쉬 정밀도 향상 과정에서 $ h_L $ 에 대한 수렴 차수 2가 일관되게 관찰되어 이론적 분석을 검증한다.
• 앙상블 효율성과 다수준 분산 감소를 효과적으로 융합하여 표준 몬테카를로 방법보다 정확도와 비용 측면에서 뛰어난 성능을 보였다.