[논문 리뷰] Dimension reduction for Gaussian process emulation: an application to the influence of bathymetry on tsunami heights

Xiaoyu Liu, Serge Guillas|arXiv (Cornell University)|2016. 03. 25.

Gaussian Processes and Bayesian Inference참고 문헌 26인용 수 7

한 줄 요약

이 논문은 수심 불확실성이 있는 Tsunami 모델과 같은 고차원 입력 시뮬레이터를 효율적으로 다루기 위해 기울기 기반 커널 차원 감소(gKDR)와 가우시안 프로세스 에미ュ레이션을 결합한 통합 프레임워크를 제안한다. 입력 차원을 감소시키면서도 핵심적인 입력-출력 관계를 유지함으로써, 시뮬레이터 실행 횟수를 크게 줄이며 정확한 불확실성 정량화를 가능하게 하며, 현실적인 수심 불확실성 영향을 고려한 태풍 해일 위험 평가에서 뛰어난 성능을 보여준다.

ABSTRACT

High accuracy complex computer models, or simulators, require large resources in time and memory to produce realistic results. Statistical emulators are computationally cheap approximations of such simulators. They can be built to replace simulators for various purposes, such as the propagation of uncertainties from inputs to outputs or the calibration of some internal parameters against observations. However, when the input space is of high dimension, the construction of an emulator can become prohibitively expensive. In this paper, we introduce a joint framework merging emulation with dimension reduction in order to overcome this hurdle. The gradient-based kernel dimension reduction technique is chosen due to its ability to drastically decrease dimensionality with little loss in information. The Gaussian process emulation technique is combined with this dimension reduction approach. Our proposed approach provides an answer to the dimension reduction issue in emulation for a wide range of simulation problems that cannot be tackled using existing methods. The efficiency and accuracy of the proposed framework is demonstrated theoretically, and compared with other methods on an elliptic partial differential equation (PDE) problem. We finally present a realistic application to tsunami modeling. The uncertainties in the bathymetry (seafloor elevation) are modeled as high-dimensional realizations of a spatial process using a geostatistical approach. Our dimension-reduced emulation enables us to compute the impact of these uncertainties on resulting possible tsunami wave heights near-shore and on-shore. We observe a significant increase in the spread of uncertainties in the tsunami heights due to the contribution of the bathymetry uncertainties. These results highlight the need to include the effect of uncertainties in the bathymetry in tsunami early warnings and risk assessments.

연구 동기 및 목표

• 고차원 시뮬레이터의 에미ュ레이션에 대한 계산 비용의 비현실성을 해결하기 위해, 특히 수심 불확실성이 있는 태풍 해일 모델링의 경우를 대상으로 한다.
• 정확성을 유지하면서도 계산 비용을 극적으로 줄이는 통합 차원 감소 및 에미ュ레이션 프레임워크를 개발한다.
• 입력 차원이 20을 초과하는 복잡한 시뮬레이터, 예를 들어 공간적으로 변화하는 경계 조건을 가진 지구물리학적 모델에서 실용적인 불확실성 정량화를 가능하게 한다.
• 실제 수심 불확실성이 있는 고차원 입력을 가진 현실적인 태풍 해일 시뮬레이션 문제에 대해 본 방법의 효과성을 입증한다.

제안 방법

• 고차원 입력 공간에서 시뮬레이터 출력의 변동성 대부분을 반영하는 저차원 부분공간을 식별하기 위해 기울기 기반 커널 차원 감소(gKDR)를 사용한다.
• gKDR는 원래의 고차원 입력 X를 저차원 활성 부분공간 B^T X로 매핑하는 투영 행렬 B를 구성하며, 응답 Y에 대한 충분한 정보를 유지한다.
• 감소된 차원의 입력에 대해 가우시안 프로세스(GP) 에미저를 학습시켜 새로운 입력 지점에서 시뮬레이터 출력을 신속하고 확률적으로 예측할 수 있다.
• 프레임워크는 교차검증을 통해 최적의 초모수와 학습 세트 크기를 선택하여 강건성과 수렴성을 확보한다.
• 기울기 계산이 불가능한 시뮬레이터에 적용 가능하도록, 기울기 계산을 직접 수행하지 않고 커널 기반 추정을 활용한다.
• 본 방법은 PDE 기반 타원형 문제에 대해 검증되었으며, 수심 불확실성과 지진원 파arameter를 포함한 실제 태풍 해일 모델에 적용되었다.

실험 결과

연구 질문

• RQ1 gKDR를 통한 차원 감소가 예측 정확도의 심각한 손실 없이 고차원 시뮬레이터의 입력 차원을 효과적으로 감소시킬 수 있는가?
• RQ2 예측 성능 및 계산 효율성 측면에서 기존의 에미유레이션 및 차원 감소 방법과 비교해 본 gKDR-GP 프레임워크의 성능은 어떠한가?
• RQ3 수심 불확실성을 포함할 경우, 해안 근처 예측 태풍 해일 파고 분포에 어떤 정도의 영향을 미치는가?
• RQ4 기울기가 이용 불가능하거나 계산 비용이 너무 높은 실제 시뮬레이터에 대해 본 프레임워크는 효율적으로 적용될 수 있는가?
• RQ5 차원 감소 이후 안정적이고 정확한 에미유레이션을 달성하기 위해 필요한 최소 시뮬레이터 실행 횟수는 얼마인가?

주요 결과

• 제안된 gKDR-GP 프레임워크는 단 100회의 학습 시뮬레이션으로도 정확한 에미유레이션을 달성하며, 이 시점에서 예측 오차가 수평선에 수렴하는 것으로 나타났다.
• 수심 불확실성을 포함할 경우, 특히 해안 근처에서 예측 태풍 해일 파고의 분포가 크게 확산되어 극단적인 사건 발생 빈도가 증가하고 분포가 비대칭이 된다.
• 해안 근처의 관측소에서는 고정된 수심 조건 대비 수심 불확실성을 포함한 경우 예측 파고 분포가 이동하고 분산이 커진다.
• 특히 기울기가 존재하지 않거나 계산이 불가능한 경우에 있어서도, 이전의 방법들보다 본 방법이 고차원 입력을 더 효과적으로 다룰 수 있다.
• 실제 공간적으로 상관된 입력 불확실성을 가진 복잡한 시뮬레이터, 예를 들어 태풍 해일 모델에서 효율적인 불확실성 정량화를 가능하게 한다.
• 학습 세트 크기 대비 예측 오차의 진단 플롯은 안정적인 수렴을 보여주며, 실용적 응용에 적합한 소규모이지만 철저히 선택된 설계를 사용할 수 있음을 뒷받침한다.