[논문 리뷰] Probabilistic solvers for partial differential equations

Ilias Bilionis|arXiv (Cornell University)|2016. 07. 12.

Probabilistic and Robust Engineering Design참고 문헌 16인용 수 6

한 줄 요약

이 논문은 임의의 기하구조에서 혼합 딜리클레 및 뉴먼 경계 조건을 가진 선형 편미분방정식(PDE)을 해결하기 위한 확률적 수치 방법을 제안한다. 이 방법은 해를 가우시안 프로세스로 간주하고 이에 대해 이산 PDE 및 경계 조건 평가를 조건부로 설정함으로써 작동한다. 주요 기여는 이산화에서 발생하는 지식 부족 불확실성(epistemic uncertainty)을 베이지안 추론을 통해 정량화하는 프레임워크를 제공하며, 이는 이산화 오차를 포함하는 예측 구간을 포함하는 사후 분포를 생성한다.

ABSTRACT

This work is concerned with the quantification of the epistemic uncertainties induced the discretization of partial differential equations. Following the paradigm of probabilistic numerics, we quantify this uncertainty probabilistically. Namely, we develop a probabilistic solver suitable for linear partial differential equations (PDE) with mixed (Dirichlet and Neumann) boundary conditions defined on arbitrary geometries. The idea is to assign a probability measure on the space of solutions of the PDE and then condition this measure by enforcing that the PDE and the boundary conditions are satisfied at a finite set of spatial locations. The resulting posterior probability measure quantifies our state of knowledge about the solution of the problem given this finite discretization.

연구 동기 및 목표

• 선형 PDE의 공간 이산화에서 발생하는 지식 부족 불확실성을 정량화하는 확률적 수치 방법을 개발하는 것.
• 임의의 도메인에서 혼합 경계 조건을 가진 일반 선형 PDE에 대해 확률적 수치해법을 확장하는 것.
• 해를 랜덤 필드로 간주하고 관측된 PDE 및 경계 조건 제약 조건에 기반해 이를 조건부로 설정하는 베이지안 프레임워크를 제공하는 것.
• 오차 추정, 적응형 정밀화 또는 하위 작업 실패에 대한 내성에 대한 요구를 충족시키는 불확실성 인식 PDE 해법을 가능하게 하는 것.

제안 방법

• 해 공간에 대해 평균이 0인 가우시안 프로세스 사전분포를 할당하고, 사용자가 지정한 공분산 함수를 사용하여 부드러움과 길이 척도에 대한 사전 믿음을 표현한다.
• 베이즈의 정리를 사용하여 유한한 수의 공간 점에서의 PDE 및 경계 조건의 이산 평가에 기반해 사전분포를 조건부로 설정한다.
• 선형 미분 연산자와 가우시안 사전분포를 가정할 경우 해의 사후 분포를 해석적으로 다룰 수 있도록 유도한다.
• 밀도 공분산 행렬의 역행렬을 사용하여 사후 평균과 분산을 계산하며, 이는 길이 척도 ℓ 및 노이즈 분산과 같은 초모수에 대해 가능도를 최대화함으로써 이루어진다.
• 사후 분산을 이산화 오차의 예측 측도로 사용하며, 95% 신뢰구간이 진짜 해를 포함한다.
• 관측된 PDE 및 경계 조건 제약 조건의 주변 가능도를 최대화함으로써 초모수(예: 길이 척도 ℓ)를 최적화한다.

실험 결과

연구 질문

• RQ1 PDE 이산화에서 발생하는 지식 부족 불확실성은 체계적인 베이지안 프레임워크에서 어떻게 정량화될 수 있는가?
• RQ2 기저 함수에 의존하지 않고도 임의의 기하구조에서 혼합 경계 조건을 가진 선형 PDE에 대해 확률적 해법을 구축할 수 있는가?
• RQ3 실제 PDE 문제에서 해의 사후 분산은 진짜 이산화 오차와 어떻게 관련이 있는가?
• RQ4 사전 공분산 구조와 초모수 선택은 해법의 정확도 및 불확실성 캘리브레이션에 어떤 영향을 미치는가?
• RQ5 이 방법은 복잡한 도메인에서 적응형 정밀화 및 오차 추정을 지원할 수 있는가?

주요 결과

• 모든 테스트 케이스에서 진짜 해가 95% 신뢰구간 내에 포함되는 사후 분포를 성공적으로 생성하여 신뢰할 수 있는 불확실성 정량화를 보여주었다.
• 1차원 포아송 문제에서 사후 평균은 유한 차분 해와 매우 유사했으며, 예측된 불확실성 구간이 이산화 오차를 포함하고 있었다.
• 정확한 해가 알려진 2차원 원판 문제에서 사후 분산은 실제 절대 오차를 높은 정밀도로 예측했으며, 등고선 비교를 통해 이를 확인했다.
• 단위 원판에서 내부 점 16개와 경계 점 5개를 사용할 경우 최적의 길이 척도 ℓ는 3.5로 설정되었으며, 이는 관측 제약 조건의 가능도를 최대화했다.
• 임의의 형태의 도메인에서 내부 점 수를 34개에서 61개로 증가시켰을 때 예측된 이산화 오차가 감소했으며, ℓ는 0.18에서 0.12로 감소하여 해상도 향상을 보였다.
• 진짜 해가 알려지지 않은 문제에서 해법은 사후 분산을 통해 신뢰도를 신뢰할 수 있는 측도로 제공했으며, 이는 진짜 해에 대한 접근 없이도 효과적인 결과를 도출했다.