[논문 리뷰] Hierarchical adaptive polynomial chaos expansions

Chu V., Bruno Sudret|arXiv (Cornell University)|2015. 01. 01.

Probabilistic and Robust Engineering Design참고 문헌 29인용 수 4

한 줄 요약

이 논문은 고차원 불확실성 정량화에서 희소성과 정확도를 향상시키기 위해 유전 원칙을 활용해 다항 기저를 반복적으로 풍부화하는 계층적 적응형 다항 chaos 전개(PCE) 방법을 제안한다. 적응적으로 기저 함수를 선택함으로써(하나의 항과 그 상호작용을 우선시함) 표준 희소 PCE 방법과 동일한 실험 설계 크기에서보다 낮은 계산 비용으로 더 높은 정확도를 달성한다.

ABSTRACT

Polynomial chaos expansions (PCE) are widely used in the framework of uncertainty quantification. However, when dealing with high dimensional complex problems, challenging issues need to be faced. For instance, high-order polynomials may be required, which leads to a large polynomial basis whereas usually only a few of the basis functions are in fact significant. Taking into account the sparse structure of the model, advanced techniques such as sparse PCE (SPCE), have been recently proposed to alleviate the computational issue. In this paper, we propose a novel approach to SPCE, which allows one to exploit the model's hierarchical structure. The proposed approach is based on the adaptive enrichment of the polynomial basis using the so-called principle of heredity. As a result, one can reduce the computational burden related to a large pre-defined candidate set while obtaining higher accuracy with the same computational budget.

연구 동기 및 목표

• 불확실성 정량화에서 고차원 다항 chaos 전개의 계산 부담을 완화하기 위해.
• 복잡한 고차원 모델에서 희소 다항 chaos 전개(SPCE)의 정확도와 희소성 향상을 위해.
• 유전 원칙을 활용해 관련 있는 다항 항을 우선순위로 정렬하는 적응형 기저 풍부화 전략을 개발하기 위해.
• 모델 정확도를 유지하거나 향상시키면서도 큰 사전 정의된 후보 집합에 의존하는 것을 줄이기 위해.
• 다양한 비선형성과 상호작용 효과를 가진 벤치마크 문제에서 방법의 효과성을 입증하기 위해.

제안 방법

• 방법은 다항 기저를 구성하는 동안 유전 원칙을 활용한 최소각도 회귀(LAR)를 사용하여 반복적으로 기저를 풍부화한다.
• 유전 원칙은 고차항 상호작용 항이 선택된 경우, 그에 해당하는 저차항 부모 항(예: 주효과)이 모두 기저에 포함되도록 보장한다.
• 후보 기저는 사전에 고정되지 않고, 저차수 다항식에서 시작하여 반복적으로 적응적으로 구축된다.
• 방법은 다항 항의 포함 구조를 존중하는 계층적 절단 기법을 사용한다.
• 낮은 랭크 초구형 절단을 시작점으로 삼고, 이후 회귀 계수와 출력과의 상관관계를 바탕으로 항을 추가함으로써 기저를 정밀하게 개선한다.
• 방법은 매 단계에서 가장 관련성이 높은 항들만 동적으로 업데이트하여, 가능한 모든 다항식을 전수 조사하는 것을 피한다.

실험 결과

연구 질문

• RQ1 기본 후보 집합이 고정된 표준 희소 PCE에 비해, 유전 원칙에 기반한 적응형 기저 풍부화 전략이 고차원 문제에서 더 우수한 성능을 보일 수 있는가?
• RQ2 기존의 LAR 기반 SPCE에 비해 계층적 적응형 PCE 방법은 정확도와 계산 효율성 측면에서 어떻게 비교되는가?
• RQ3 유전 원칙은 과적합이나 계산 비용 증가 없이 중요한 상호작용 효과를 얼마나 잘 포착할 수 있는가?
• RQ4 표준 방법에 비해 더 작은 실험 설계로 더 높은 정확도를 달성할 수 있는가?
• RQ5 강한 비선형성과 고차항 상호작용을 가진 문제에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 200개의 실험 설계 포인트로 Sobol’ 함수를 평가한 결과, 계층적 적응형 PCE(h-LAR)는 검증 오차 1.6×10⁻²을 기록했고, 동일한 크기의 표준 LAR(5.95×10⁻²)보다 더 뛰어난 성능을 보였다.
• Schwefel 함수에서 h-LAR는 1,000개의 샘플로 상대 검증 오차 1.03×10⁻²을 달성했고, 표준 LAR의 2.2×10⁻²보다 더 높은 정확도를 확보했다.
• 설계 크기가 200인 상황에서 h-LAR는 154개의 기저 함수를 유지했고, 표준 LAR는 단지 37개에 그쳤다. 이는 더 포괄적인 기저 선택과 더 높은 정밀도를 의미한다.
• 큰 사전 정의된 후보 집합이 필요로 하지 않음으로써 동일한 계산 예산 내에서 더 높은 정확도를 달성했다.
• 계층적 구조 덕분에 고차항 및 비선형 모델에서 상호작용 효과를 더 잘 탐지할 수 있었다.
• 결과적으로, 유전 원칙에 기반한 적응형 풍부화는 히وري스틱 절단 기법에 의존하는 것보다 더 정확한 PCE 모델을 도출함을 보여주었다.