[논문 리뷰] The network uncertainty quantification method for propagating uncertainties in component-based systems

Kevin Carlberg, Sofia Guzzetti외 2명|arXiv (Cornell University)|2019. 08. 29.

Probabilistic and Robust Engineering Design인용 수 5

한 줄 요약

이 논문은 네트워크 불확실성 정량화(NetUQ) 방법을 소개한다. 이는 이완 방법(Jacobi/Gauss–Seidel에 Anderson 가속을 적용한 방식)을 사용하여 구성요소 기반 시스템 내의 불확실성 전파를 수행하는 도메인 분할 접근법이다. 구성요소 간 독립성, 임의의 네트워크 구조 지원, 그리고 확률 변수의 기능적 표현 전파 기능을 통해 효율적인 연합 분포 추정과 뛰어난 확장성을 가능하게 한다.

ABSTRACT

This work introduces the network uncertainty quantification (NetUQ) method for performing uncertainty propagation in systems composed of interconnected components. The method assumes the existence of a collection of components, each of which is characterized by exogenous-input random variables, endogenous-input random variables, output random variables, and a local uncertainty-propagation operator that computes output random variables from input random variables. The method assembles the full-system network by connecting components, which is achieved simply by associating endogenous-input random variables for each component with output random variables from other components; no other inter-component compatibility conditions are required. The network uncertainty-propagation problem is: Compute output random variables for all components given all exogenous-input random variables. To solve this problem, the method applies classical relaxation methods (i.e., Jacobi and Gauss--Seidel iteration with Anderson acceleration), which require only black-box evaluations of component uncertainty-propagation operators. Compared with other available methods, this approach is applicable to any network topology, promotes component independence by enabling components to employ tailored uncertainty-propagation operators, supports general functional representations of random variables, and requires no offline preprocessing stage. Also, because the method propagates functional representations of random variables throughout the network (and not, e.g., probability density functions), the joint distribution of any set of random variables throughout the network can be estimated a posteriori in a straightforward manner. We perform supporting convergence and error analysis and execute numerical experiments that demonstrate the weak- and strong-scaling performance of the method.

연구 동기 및 목표

• 다양한 물리 법칙과 모델링 코드를 가진 이질적 구성요소들로 구성된 대규모 상호연결 시스템에서의 불확실성 전파 문제를 해결한다.
• 기존 방법의 한계를 극복한다. 즉, 전체 시스템 모델 통합이 필요하거나, 네트워크 구조를 제한(예: 피드포워드 구조만 허용)하거나, 다항식 혼합과 같은 특정 확률 표현 방식에 의존하는 방법들이다.
• 각 구성요소가 자체적으로 최적화된 불확실성 전파 연산자를 사용할 수 있도록 하되, 상호연결된 결정론적 해법이나 오프라인 사전처리를 요구하지 않는다.
• 임의의 기능적 표현 방식을 통해 확률 변수를 표현함으로써, 연합 분포 추정과 같은 탄력적인 사후 처리를 가능하게 한다.
• 오직 구성요소 수준의 불확실성 전파 평가만 요구하며 메쉬 호환성 또는 결합 제약 조건이 없는 확장 가능한 블랙박스 호환 방법을 개발한다.

제안 방법

• 각 구성요소를 외부 및 내부 입력에서 출력 확률 변수로 매핑하는 블랙박스 연산자로 수식화하며, 국소적 불확실성 전파를 위해 확률적 콜로케이션 또는 유사 방법을 사용한다.
• 다른 구성요소의 출력 변수와 직접 연결함으로써 구성요소 간 내부 입력 변수를 연결함으로써 전체 시스템 네트워크를 구성하며, 호환성 조건이 필요하지 않다.
• 클래식한 이완 방법—Jacobi 및 Gauss–Seidel 반복—에 Anderson 가속을 적용하여 구성요소 방정식의 연립 시스템을 해결한다.
• 구성요소 간 의존성의 흐린 패턴을 분석하여 순열 기반 그래프 색칠 전략을 도입함으로써 Gauss–Seidel 업데이트에서 순차 처리 단계 수를 최소화한다.
• 네트워크 전반에 걸쳐 확률 변수의 기능적 표현을 유지함으로써, 사후에 연합 분포 추정 및 분산 기반 분해를 간편하게 수행할 수 있다.
• 오직 구성요소 불확실성 전파 연산자 평가만 요구함으로써 블랙박스 호환성을 확보하며, 내부 모델 접근이나 사전 처리를 피한다.

실험 결과

연구 질문

• RQ1 전체 시스템 모델 통합이 필요 없이 임의의 네트워크 구조를 지원하는 확장 가능한 구성요소 독립적 불확실성 전파 방법을 개발할 수 있는가?
• RQ2 복잡한 상호연결된 구성요소 네트워크를 통해 확률 변수의 기능적 표현을 어떻게 유지하고 전파할 수 있으며, 이를 통해 탄력적인 사후 처리를 가능하게 할 수 있는가?
• RQ3 Anderson 가속을 적용한 이완 방법이 대규모 구성요소 기반 시스템의 불확실성 전파에 대해 수렴성과 확장성 면에서 어느 정도 성능을 발휘하는가?
• RQ4 오프라인 사전처리나 구성요소 간 호환성 제약 조건 없이도 높은 성능과 수렴성을 유지할 수 있는가?
• RQ5 구성요소 순열의 선택이 Gauss–Seidel 반복에서 수렴 속도와 순차 처리 단계 수에 어떤 영향을 미치는가?

주요 결과

• NetUQ 방법은 피드포워드 또는 이원구조 제약 없이도 두 방향 결합이 가능한 임의의 네트워크 구조를 가진 구성요소 네트워크에서 불확실성 전파를 성공적으로 수행한다.
• 각 구성요소가 자체 최적화된 불확실성 전파 연산자(예: 확률적 콜로케이션 또는 다항식 혼합)를 사용할 수 있도록 구성요소 간 독립성을 확보함으로써 결합 제약 조건 없이 작동한다.
• 확률 변수의 기능적 표현이 네트워크 전반에 걸쳐 유지되어, 사후에 연합 분포 추정 및 분산 기반 분해를 간편하게 수행할 수 있다.
• 수치 실험 결과에 따르면 약화 및 강화 확장성 성능이 입증되어, 시스템 크기 및 프로세서 수 증가에 따라 효율적으로 확장됨을 보여준다.
• Anderson 가속은 이완 반복의 수렴 속도를 크게 향상시키며, 순열 기반 그래프 색칠 전략은 Gauss–Seidel 업데이트에서 순차 처리 단계 수를 감소시킨다.
• 오프라인 사전처리나 메쉬 호환성 검사가 전혀 필요 없으며, 오직 구성요소 불확실성 연산자 평가만으로 작동한다.