[논문 리뷰] Bayesian model calibration for block copolymer self-assembly: Likelihood-free inference and expected information gain computation via measure transport

Ricardo Baptista, Lianghao Cao외 5명|arXiv (Cornell University)|2022. 06. 22.

Markov Chains and Monte Carlo Methods인용 수 4

한 줄 요약

이 논문은 상향식 현미경 영상에서 블록 코폴리머 자가 조립을 위한 Ohta–Kawasaki 모델을 校정하기 위해 삼각형 운반 맵을 통한 측도 운반을 사용하는 가능도 자유 베이지안 추론 프레임워크를 제안한다. 에너지 기반 및 푸리에 기반 요약 통계량을 구성하고 암시적 추론을 활용하여, 효율적인 사후 추정과 정확한 기대 정보 이득(EIG) 계산을 가능하게 하며, 데이터 손상 및 다양한 실험 조건 하에서도 강건한 校정을 보여준다.

ABSTRACT

We consider the Bayesian calibration of models describing the phenomenon of block copolymer (BCP) self-assembly using image data produced by microscopy or X-ray scattering techniques. To account for the random long-range disorder in BCP equilibrium structures, we introduce auxiliary variables to represent this aleatory uncertainty. These variables, however, result in an integrated likelihood for high-dimensional image data that is generally intractable to evaluate. We tackle this challenging Bayesian inference problem using a likelihood-free approach based on measure transport together with the construction of summary statistics for the image data. We also show that expected information gains (EIGs) from the observed data about the model parameters can be computed with no significant additional cost. Lastly, we present a numerical case study based on the Ohta--Kawasaki model for diblock copolymer thin film self-assembly and top-down microscopy characterization. For calibration, we introduce several domain-specific energy- and Fourier-based summary statistics, and quantify their informativeness using EIG. We demonstrate the power of the proposed approach to study the effect of data corruptions and experimental designs on the calibration results.

연구 동기 및 목표

• 고차원적이고 무질서한 영상 데이터로 인해 가능도 함수가 추정 불가능해지는 블록 코폴리머 자가 조립 모델의 베이지안 校정 문제에 대응한다.
• 장거리 무질서를 모델링하기 위해 보조 변수를 사용하면서도 추론의 실현 가능성을 유지한다.
• 최소한의 계산 오버헤드로 효율적인 사후 추정과 기대 정보 이득(EIG) 계산을 가능하게 하는 확장 가능한 추론 프레임워크를 개발한다.
• 다양한 요약 통계량과 실험 설계(예: 노이즈, 확대율)가 모델 校정에 얼마나 정보적인지를 정량화한다.
• 데이터 품질과 측정 설정이 매개변수 추정 정확도와 불확실성에 미치는 영향을 평가하여 최적의 실험 설계를 가능하게 한다.

제안 방법

• 측정 불확실성과 BCP 자가 조립의 난류적 무질서를 보조 랜덤 필드를 통해 포함하는 확률적 데이터 모델을 사용한다.
• 저차원의 도메인 특화 요약 통계량—에너지 기반 및 푸리에 기반—을 사용하여 고차원 영상 데이터를 압축하면서도 매개변수 정보를 유지한다.
• 제한된 공동 샘플에서 매개변수와 요약 통계량의 공동 분포를 학습하기 위해 삼각형 운반 맵(Knothe–Rosenblatt 재배치)을 적용한다.
• 암시적 가능도 자유 추론을 수행한다: 운반 맵이 학습된 후, 새로운 데이터 실현에 대한 사후 추론은 빠르고 일관된다.
• 같은 운반 맵 구조를 사후 추론에 사용함으로써 추가 비용 없이 기대 정보 이득(EIG)을 계산한다.
• 전방 연산자를 기반으로 한 계층적 균일 사전분포를 사용하여 물리적으로 타당한 매개변수 공간 탐색을 보장한다.

실험 결과

연구 질문

• RQ1 고차원 영상 데이터와 장거리 무질서를 모델링하는 보조 변수로 인해 가능도 함수가 추정 불가능한 상황에서 어떻게 베이지안 校정을 수행할 수 있는가?
• RQ2 에너지 기반 요약 통계량과 푸리에 기반 요약 통계량 중 어느 것이 Ohta–Kawasaki 모델 매개변수를 현미경 영상에서 보다 정보적으로 校정하는가?
• RQ3 노이즈와 블러링 등의 데이터 손상이 모델 校정에서 기대 정보 이득과 사후 불확실성에 어떤 영향을 미치는가?
• RQ4 현미경의 확대 수준은 관측 데이터의 매개변수 추론에 대한 정보성에 어떤 영향을 미치는가?
• RQ5 추론 과정과 함께 추가적인 계산 오버헤드 없이 기대 정보 이득을 효율적으로 계산할 수 있는가?

주요 결과

• 삼각형 운반 맵을 통한 제안된 가능도 자유 추론 방법은 최소한의 샘플 요구량으로도 일관되고 효율적인 사후 추정을 가능하게 하며, 블록 코폴리머 모델 校정에 적합하다.
• 에너지 기반 요약 통계량(예: 공간 평균)은 특히 매개변수 $m$을 학습하는 데 있어 푸리에 기반 통계량보다 더 정보적인 것으로 밝혀졌다.
• 기대 정보 이득(EIG)은 추가 비용 없이 계산되었으며, 데이터 품질과 실험 설계의 영향을 체계적으로 평가할 수 있게 되었다.
• 노이즈와 블러링이 증가할수록 EIG가 감소하였으며, $(Q_2, Q_4)$ 요약 통계량은 $(Q_1, Q_3)$ 또는 전체 관측값보다 노이즈에 더 민감했으며, 특히 낮은 공간 평균 값에서 그러한 경향이 두드러졌다.
• 높은 확대 수준은 더 높은 EIG를 초래하여, 더 높은 공간 해상도가 매개변수 추정 정확도를 향상시키고 불확실성을 감소시킨다는 것을 시사한다.
• 사후 예측 샘플은 校정된 모델이 관측된 미세 구조를 정확히 재현함을 확인하여, 선택된 요약 통계량의 효과성을 검증했다.