[논문 리뷰] Probabilistic Meshless Methods for Partial Differential Equations and Bayesian Inverse Problems.

Jon Cockayne, Chris J. Oates외 2명|arXiv (Cornell University)|2016. 05. 25.

Probabilistic and Robust Engineering Design참고 문헌 56인용 수 32

한 줄 요약

이 논문은 편미분방정식(PDE)을 해결하기 위한 확률적 메쉬리스 방법을 소개하고, PDE 제약을 가진 베이지안 역문제에 적용한다. 수치적 PDE 해를 랜덤 변수로 간주함으로써 이 방법은 이산화 오차를 정량화하고 전파할 수 있으며, PDE 해법기가 실패하거나 상당한 오차를 유발할 경우에도 강건한 통계적 추론을 가능하게 한다. 또한 해법기 선택 문제를 베이지안 실험 설계 문제로 재구성한다.

ABSTRACT

This paper develops a probabilistic numerical method for solution of partial differential equations (PDEs) and studies application of that method to PDE-constrained inverse problems. This approach enables the solution of challenging inverse problems whilst accounting, in a statistically principled way, for the impact of discretisation error due to numerical solution of the PDE. In particular, the approach confers robustness to failure of the numerical PDE solver, with statistical inferences driven to be more conservative in the presence of substantial discretisation error. Going further, the problem of choosing a PDE solver is cast as a problem in the Bayesian design of experiments, where the aim is to minimise the impact of solver error on statistical inferences; here the challenge of non-linear PDEs is also considered. The method is applied to parameter inference problems in which discretisation error in non-negligible and must be accounted for in order to reach conclusions that are statistically valid.

연구 동기 및 목표

• 이산화 오차를 고려한 통계적으로 타당한 PDE 해법 방법을 개발하는 것.
• 수치 해법기의 불확실성을 모델링하여 역문제에서의 강건성을 향상시키는 것.
• 비선형 PDE의 맥락에서 불확실성 정량화 및 해법기 신뢰성에 도전하는 것.
• PDE 해법기 선택 문제를 최소한의 오차 영향을 갖는 베이지안 실험 설계 문제로 재구성하는 것.
• 이산화 오차가 무시할 수 없는 경우에 파rameter 추정의 유효한 통계적 추론을 가능하게 하는 것.

제안 방법

• 해법은 PDE를 해결하기 위해 확률적 메쉬리스 접근법을 사용하며, 해를 함수 위의 확률분포로 표현한다.
• 이산화 오차는 지식 부족 불확실성으로 모델링되며, 베이지안 추론을 통해 역문제 전반에 걸쳐 전파된다.
• PDE의 수치적 해는 랜덤 필드로 간주되어 정방 모델에서의 불확실성 정량화가 가능해진다.
• 해법기 실패 상황은 보수적으로 다루어지며, 후행 분포의 분산을 증가시켜 수치 결과에 대한 신뢰도 감소를 반영한다.
• PDE 해법기 선택 문제는 후행 불확실성을 최소화하기 위해 베이지안 실험 설계 문제로 공식화된다.
• 비선형 관측 모델과 적응형 해법 전략을 통합함으로써 이 프레임워크는 비선형 PDE로 확장된다.

실험 결과

연구 질문

• RQ1 수치적 PDE 해에서의 이산화 오차는 어떻게 체계적으로 정량화하고 역문제 전반에 걸쳐 전파할 수 있는가?
• RQ2 해법기 불확실성을 모델링함으로써 역문제에서 수치 해법기 실패에 대한 강건성이 어떻게 향상되는가?
• RQ3 어떻게 PDE 해법기를 선택하여 이산화 오차가 통계적 추론에 미치는 영향을 최소화할 수 있는가?
• RQ4 확률적 메쉬리스 방법은 비선형 PDE의 역문제 설정에서 신뢰할 수 있는 불확실성 정량화를 제공할 수 있는가?
• RQ5 PDE 해를 랜덤 변수로 간주함으로써 파rameter 추정의 통계적 결론의 타당성은 어느 정도 향상되는가?

주요 결과

• 확률적 메쉬리스 방법은 베이지안 역문제 전반에 걸쳐 이산화 오차를 성공적으로 정량화하고 전파하여 보다 신뢰할 수 있는 불확실성 추정을 가능하게 한다.
• 이산화 오차가 높을 경우 통계적 추론이 보수적으로 조정되며, 해법기 실패나 부정확성으로 인한 불확실성 증가를 반영한다.
• 해법기가 신뢰할 수 없을 경우에도 프레임워크는 후행 분포를 조정함으로써 강건한 추론을 가능하게 한다.
• 베이지안 실험 설계를 통해 해법기 선택이 효과적으로 최적화되어 이산화 오차가 후행 추론에 미치는 영향을 줄였다.
• 이산화 오차가 무시할 수 없는 경우에도 이 방법은 파rameter 추정에서 통계적 타당성을 유지한다. 이는 기존 방법이 실패할 수 있는 상황이다.
• 비선형 PDE로의 확장이 가능하여, 상당한 수치적 불확실성이 존재하는 복잡한 역문제에 대한 유연성을 입증한다.