[논문 리뷰] A Symplectic Method to Generate Multivariate Normal Distributions

C. Baumgarten|arXiv (Cornell University)|2012. 05. 16.

Scientific Research and Discoveries참고 문헌 1인용 수 7

한 줄 요약

이 논문은 Cholesky 분해를 피하기 위해 실수 딜라 클라스(Real Dirac Matrices, RDMs)를 사용하는 해밀토니안 시스템의 심플렉틱 변환을 활용해 임의의 공분산 행렬을 가진 다변량 정규분포를 생성하는 방법을 제시한다. 독립적인 표준 정규분포 변수에 RDMs로부터 유도된 역심플렉틱 변환을 적용함으로써, 목표 공분산과 높은 정확도로 일치하는 상관관계가 있는 분포를 효율적으로 생성할 수 있으며, 6차원 분포에 대한 수치 시뮬레이션을 통해 검증되었다.

ABSTRACT

The AMAS group at the Paul Scherrer Institute developed an object oriented library for high performance simulation of high intensity ion beam transport with space charge. Such particle-in-cell (PIC) simulations require a method to generate multivariate particle distributions as starting conditions. In a preceeding publications it has been shown that the generators of symplectic transformations in two dimensions are a subset of the real Dirac matrices (RDMs) and that few symplectic transformations are required to transform a quadratic Hamiltonian into diagonal form. Here we argue that the use of RDMs is well suited for the generation of multivariate normal distributions with arbitrary covariances. A direct and simple argument supporting this claim is that this is the "natural" way how such distributions are formed. The transport of charged particle beams may serve as an example: An uncorrelated gaussian distribution of particles starting at some initial position of the accelerator is subject to linear deformations when passing through various beamline elements. These deformations can be described by symplectic transformations. Hence, if it is possible to derive the symplectic transformations that bring up these covariances, it is also possible to produce arbitrary multivariate normal distributions without Cholesky decomposition. The method allows the use of arbitrary uncoupled distributions. The functional form of the coupled multivariate distributions however depends in the general case on the type of the used random number generator. Only gaussian generators always yield gaussian multivariate distributions.

연구 동기 및 목표

• 고성능 입자-장(PIE) 시뮬레이션을 위해 임의의 공분산 행렬을 가진 다변량 정규분포를 계산적으로 효율적으로 생성하는 방법을 개발하는 것.
• 특히 가속기 물리학에서 선형 빔 역학과 결합을 모델링하기 위해 실수 딜라 행렬(RDMs)에서 유도된 심플렉틱 변환을 활용하는 것.
• 핵심 변환을 통한 보존 구조를 유지하는 물리적 구조를 갖춘 Cholesky 분해의 대안을 제공하는 것.
• OPAL과 같은 트래킹 코드에서 초기 상관관계가 임의로 설정된 입자 분포를 생성할 수 있도록 하는 것.

제안 방법

• 심플렉틱 변환의 생성자로 실수 딜라 행렬(RDMs)을 사용하며, 이들은 행렬 곱에 대해 닫혀 있고 해밀토니안 시스템의 심플렉틱 구조를 유지한다.
• 주어진 공분산 행렬을 대각화하는 데 사용된 분리 변환의 역변환을 적용하기 위해 RDMs로부터 변환 행렬 M을 구성한다.
• 독립적인 표준 정규분포 랜덤 변수를 생성하고, 목표 공분산 행렬의 고유값의 제곱근으로 스케일링한다.
• 스케일링된 변수들을 M⁻¹에 의해 변환함으로써 원하는 공분산 구조를 가진 다변량 정규분포를 생성한다.
• 심플렉틱 행렬이 심플렉틱 형식 γ₀를 유지하므로, 결과 분포가 정확한 두 번째 모멘트 통계적 성질을 유지함을 바탕으로 한 방법이다.
• 4차원 이상의 시스템에 대해서는 캐논리컬 변수 쌍 (q, p)을 4×4 블록으로 나누어 반복적으로 적용한다.

실험 결과

연구 질문

• RQ1 실수 딜라 행렬을 기반으로 한 심플렉틱 변환은 Cholesky 분해 없이도 임의의 공분산 행렬을 가진 다변량 정규분포를 생성하는 데 사용될 수 있는가?
• RQ2 심플렉틱 대수의 사용은 빔 역학 시뮬레이션에서 상관관계가 있는 입자 분포 생성을 어떻게 단순화하는가?
• RQ3 초기 분포 유형(예: 정규분포 대비 균일분포)이 심플렉틱 변환 후 결과 다변량 분포의 기능 형태에 어떤 영향을 미치는가?
• RQ4 이 방법은 4개 이상의 변수를 초월하는 고차원 시스템으로 얼마나 넓게 확장될 수 있는가?
• RQ5 이 접근법을 사용하여 선형 운반 시스템에서 관측된 공분산 행렬과 기대 공분산 행렬을 비교함으로써 초기 분포의 알려지지 않은 매개변수를 추론할 수 있는가?

주요 결과

• 이 방법은 10⁵개의 표본으로부터 계산된 공분산 행렬과 매우 유사한 목표 공분산 행렬을 가진 6차원 다변량 정규분포를 성공적으로 생성하였다.
• 변환 후 공분산 행렬의 프로베니우스 노름 차이가 목표값과 0.05% 미만으로 나타나 높은 수치적 정확도를 확인하였다.
• 변환된 공분산 행렬의 대각성분은 각각 5.7946, 0.8917, 3.5910, 0.6849, 7.0928, 0.7294로, 목표 분산과 매우 유사하게 나타났다.
• 비대각성분은 작고 목표 행렬과 일관되게 나타나 상관관계의 정확한 모델링이 이루어졌음을 시사한다.
• 균일분포를 초기 분포로 사용했을 경우에도 방법은 여전히 정확한 공분산 행렬을 재현하였지만, 중심극한정리의 영향으로 근사적으로 정규분포 형태로 변형되었다.
• Cholesky 분해를 피하고 심플렉틱 대수를 사용함으로써, 빔 역학 시뮬레이션에 대해 물리적으로 의미 있고 수치적으로 안정적인 대안을 제공한다.