[논문 리뷰] Multi-scale variance reduction methods based on multiple control variates for kinetic equations with uncertainties

Giacomo Dimarco, Lorenzo Pareschi|arXiv (Cornell University)|2018. 12. 12.

Probabilistic and Robust Engineering Design참고 문헌 25인용 수 27

한 줄 요약

이 논문은 불확실성을 가진 운동방정식에 대해 다중 척도 분산 감소 방법을 제안하며, 여러 개의 제어 변수를 사용하여 몬테카를로 샘플링 효율성을 크게 향상시킨다. 계층적 또는 비계층적 제어 변수(예: BGK 및 압축성 유동 방정식)를 활용함으로써, 특히 유효한 점성계수(작은 쿤델 수)인 확산 영역에서 단일 제어 변수 방법보다 더 효과적으로 통계적 분산을 감소시킨다. 이로 인해 더 적은 샘플 수로도 더 높은 정확도를 달성할 수 있다.

ABSTRACT

The development of efficient numerical methods for kinetic equations with stochastic parameters is a challenge due to the high dimensionality of the problem. Recently we introduced a multiscale control variate strategy which is capable to accelerate considerably the slow convergence of standard Monte Carlo methods for uncertainty quantification. Here we generalize this class of methods to the case of multiple control variates. We show that the additional degrees of freedom can be used to improve further the variance reduction properties of multiscale control variate methods.

연구 동기 및 목표

• 스토케스틱 입력을 가진 운동방정식의 불확실성 정량화에서 표준 몬테카를로 방법의 높은 계산 비용을 해결하기 위해.
• 기존 몬테카를로 방법의 느린 수렴 문제를 운동방정식의 다중 척도적 구조를 활용하여 극복하기 위해.
• 다중 제어 변수를 사용한 다중 척도 제어 변수(MSCV) 프레임워크를 확장하여 분산 감소를 향상시키기 위해.
• 불확실성 정량화에서 다중 제어 변수를 조합하는 계층적 및 비계층적 전략을 개발하고 분석하기 위해.
• 다양한 쿤델 수에서 수치 실험을 통해 더 높은 정확도 대 비용 비율을 입증하기 위해.

제안 방법

• 간소화된 운동모델의 해를 제어 변수로 사용하여 다중 제어 변수로 일반화된 다중 척도 제어 변수(MSCV) 프레임워크를 제안한다.
• 두 가지 변형을 도입한다: 계층적 MSCVH2(예: BGK 및 압축성 유동 방정식을 순차적인 근사로 사용)와 비계층적 MSCV2(독립적인 제어 변수).
• 제어 변수 추정기를 원래 모델과 다중 제어 변수 해의 선형 조합으로 설정하며, 최적의 계수를 통해 분산을 최소화한다.
• 고정밀도 Boltzmann 방정식 해를 근사하기 위해 BGK 모델과 압축성 유동 방정식을 저정밀도 모델로 사용한다.
• 제어 변수가 다양한 샘플 크기로 계산되는 다중 수준 몬테카를로 설정에서 이 방법을 적용하여 비용과 분산 감소 사이의 균형을 맞춘다.
• 운동방정식의 다중 척도 성질(ε → 0 일 때 해가 확산 근사에 수렴함)을 활용하여 주요 행동을 반영하는 제어 변수를 설계한다.

실험 결과

연구 질문

• RQ1 단일 제어 변수 방법에 비해 다중 제어 변수를 사용함으로써 운동방정식의 불확실성 시뮬레이션에서 몬테카를로 분산을 추가로 감소시킬 수 있는가?
• RQ2 예: BGK 모델 이후에 압축성 유동 방정식을 사용하는 제어 변수의 계층적 구조는 분산 감소와 계산 효율성에 어떤 영향을 미치는가?
• RQ3 예: 독립적인 모델을 사용하는 비계층적 제어 변수의 영향은 불확실성 정량화의 정확도와 비용에 어떤가?
• RQ4 쿠드델 수 감소에 따라 다중 제어 변수 방법의 성능은 어떻게 변화하는가(즉, 확산 영역에서)?
• RQ5 제안된 방법은 추가적인 효율성 향상을 위해 최적의 다중 수준 제어 변수 프레임워크로 확장될 수 있는가?

주요 결과

• 특히 계층적 MSCVH2 접근법을 통해 온도와 밀도의 기대값 추정에서 표준 몬테카를로 및 단일 제어 변수 MSCV에 비해 $L_2$ 오차가 크게 감소한다.
• $\varepsilon=2\times10^{-4}$일 때, 계층적 MSCVH2 방법은 표준 MC 대비 밀도 추정의 $L_2$ 오차를 최대 한 계단 감소시키며, Boltzmann 모델에 대해 $M=10$개 샘플, Euler 모델에 대해 $M_{E_2}=10^5$개 샘플을 사용한다.
• 두 개의 BGK 모델(다른 비례 빈도를 가짐)을 사용하는 MSCV2 방법은 제어 변수 샘플 수($M_E$)를 $10^5$로 증가시킬수록 표준 MC보다 정확도가 향상된다.
• 분산 감소 효과는 특히 확산 영역($\varepsilon=10^{-3}$ 및 $2\times10^{-4}$)에서 가장 두드러지며, 이는 다중 척도 구조가 가장 효과적으로 발휘되기 때문이다.
• 모든 쿤델 수 범위에서 안정성과 수렴성을 유지하며, 오차 곡선은 표준 MC 대비 일관된 향상을 보여준다.
• 이론적 및 수치적 결과는 다중 제어 변수가 단일 제어 변수보다 더 나은 분산 감소를 제공함을 확인하며, 특히 잘 선택된 제어 변수이자 계산적으로 저렴한 경우에 더욱 두드러진다.