[논문 리뷰] Emulation and History Matching using the hmer Package

Andrew Iskauskas, Ian Vernon외 5명|arXiv (Cornell University)|2022. 09. 12.

Simulation Techniques and Applications인용 수 11

한 줄 요약

이 논문은 컴퓨터 모델 校정을 위한 통계적 에미ュ레이션과 히스토리 매칭을 위한 hmer R 패키지를 소개한다. 이는 효율적인 불확실성 정량화와 매개변수 추론을 가능하게 하며, 가우시안 프로세스 기반 에미ュ레이션과 히스토리 매칭을 융합하여 복잡한 입력-출력 관계를 가진 고차원 모델에서 유의미한 매개변수 범위를 식별한다. 이는 뛰어난 성능을 보인다.

ABSTRACT

Modelling complex real-world situations such as infectious diseases, geological phenomena, and biological processes can present a dilemma: the computer model (referred to as a simulator) needs to be complex enough to capture the dynamics of the system, but each increase in complexity increases the evaluation time of such a simulation, making it difficult to obtain an informative description of parameter choices that would be consistent with observed reality. While methods for identifying acceptable matches to real-world observations exist, for example optimisation or Markov chain Monte Carlo methods, they may result in non-robust inferences or may be infeasible for computationally intensive simulators. The techniques of emulation and history matching can make such determinations feasible, efficiently identifying regions of parameter space that produce acceptable matches to data while also providing valuable information about the simulator's structure, but the mathematical considerations required to perform emulation can present a barrier for makers and users of such simulators compared to other methods. The hmer package provides an accessible framework for using history matching and emulation on simulator data, leveraging the computational efficiency of the approach while enabling users to easily match to, visualise, and robustly predict from their complex simulators.

연구 동기 및 목표

• 과학적 모델링을 위한 확장 가능하고 사용자 친화적인 R 패키지 개발을 위한 목표.
• 고차원 입력 공간을 가진 복잡하고 계산 비용이 큰 모델을 校정하는 데 도전 과제를 해결하기 위한 목표.
• 반복적 히스토리 매칭을 통한 유의미한 매개변수 범위 식별의 효율성과 정확성 향상 목표.
• 과학적 시뮬레이션에서 불확실성 정량화를 위한 재현 가능하고 확장 가능한 프레임워크 제공 목표.

제안 방법

• hmer 패키지는 컴퓨터 모델 출력을 확률적 과정으로 근사화하기 위해 가우시안 프로세스 기반 에미ュ레이션을 구현한다.
• 관측 데이터의 차이를 기반으로 유의미하지 않은 매개변수 영역을 순차적으로 제거하기 위해 히스토리 매칭을 사용한다.
• 모델 출력과 관측 데이터 간의 차이를 정량화하는 디스crepancy 측정법을 사용하여 매개변수 공간 축소를 이끈다.
• 패러미터 공간의 부적합성 시각화를 위해 레이티스 플롯과 주변 분포를 지원한다.
• 에미ュ레이션, 히스토리 매칭, 진단 기능을 위한 모듈러한 함수를 통해 기존 R 워크플로우와 통합한다.
• 고차원 모델을 대상으로 하며, 차원 감소 및 효율적인 샘플링 전략을 사용한다.

실험 결과

연구 질문

• RQ1 통계적 에미ュ레이션과 히스토리 매칭는 과학적 모델링을 위한 확장 가능한 R 패키지에서 어떻게 효율적으로 구현될 수 있는가?
• RQ2 hmer 패키지는 고차원 컴퓨터 모델의 유의미한 매개변수 공간을 줄이는 데 어떤 성능을 보이는가?
• RQ3 hmer 프레임워크는 시뮬레이션 모델에서 복잡한 비선형 입력-출력 관계를 어떻게 다루는가?
• RQ4 브루트 포스 접근 방식에 비해 hmer 패키지는 얼마나 더 높은 효율성을 제공하는가?

주요 결과

• hmer 패키지는 반복적 히스토리 매칭를 통해 고차원 모델의 유의미한 매개변수 공간을 성공적으로 축소하여 校정 효율성을 향상시킨다.
• 패키지가 생성한 레이티스 플롯은 매개변수 조합 전반에 걸친 부적합성 시각화에 효과적이며, 핵심 입력 상호작용을 부각시킨다.
• 유의미한 영역의 부피가 크게 감소함을 확인하였으며, 광학적 깊이 지표는 모델 입력에 대한 강력한 제약 조건을 시사한다.
• 패키지는 일차원 및 이차원 주변 분석을 모두 지원하여 핵심 매개변수에 대한 집중적 탐색을 가능하게 한다.
• 복잡한 모델을 다룰 수 있는 뛰어난 견고성과 함께, 모델 정밀도 및 매개변수 불확실성에 대한 명확한 진단 기능을 제공한다.