[논문 리뷰] Uncertainty propagation with functionally correlated quantities

Mosé Giordano|arXiv (Cornell University)|2016. 10. 27.

Advancements in PLL and VCO Technologies참고 문헌 1인용 수 20

한 줄 요약

이 논문은 측정값 간의 기능적 상관관계를 기본 측정값에 대한 편미분을 통해 추적함으로써 과학 계산에서 정확한 불확실성 전파를 가능하게 하는 Julia 패키지 Measurements.jl을 제시한다. x - x나 x/x와 같은 연산에서 불확실성이 0이 되도록 보장함으로써, 불확실성 하에서 수학적 항등식을 정확히 유지한다. 이 방법은 실수 및 복소수, 임의 정밀도, 선형 대수 연산을 지원한다.

ABSTRACT

Many uncertainty propagation software exist, written in different programming languages, but not all of them are able to handle functional correlation between quantities. In this paper we review one strategy to deal with uncertainty propagation of quantities that are functionally correlated, and introduce a new software offering this feature: the Julia package Measurements.jl. It supports real and complex numbers with uncertainty, arbitrary-precision calculations, mathematical and linear algebra operations with matrices and arrays.

연구 동기 및 목표

• 기본 오차 전파 방법이 x - x = 0과 같은 정확한 항등식을 유지하지 못하는 기능적 상관관계가 있는 양을 포함한 수학적 연산에서 불확실성 전파를 정확히 다루는 데에 도전한다.
• 독립 측정값으로 되돌아가 상관관계를 추적함으로써, 잘못된 공분산 추정을 피하는 소프트웨어 솔루션을 개발한다.
• 행렬 대수 및 임의 정밀도 산술과 같은 고급 수치 연산을 지원하는 고성능이고 확장 가능한 불확실성 전파 도구를 Julia에서 개발한다.
• 연구자들이 공분산 항을 수작업으로 유도하지 않고도 실험 데이터 분석에서 신뢰할 수 있는 불확실성 전파를 수행할 수 있도록 한다.

제안 방법

• 유도된 양이 의존하는 모든 독립 측정값을 추적하며, 각 독립 측정값에 대한 식의 편미분을 사용한다.
• 불확실성은 단순화된 오차 전파 공식(식 4)을 사용하여 전파되며, 독립 변수를 사용함으로써 모든 공분산 항이 구성상 0이 된다.
• AbstractFloat를 상속하는 사용자 정의 Measurement 유형을 구현하여 Julia의 유형 체계와 수학적 연산에 원활하게 통합된다.
• 각 Measurement 객체에 도함수 정보를 저장함으로써 기능적 상관관계를 유지하여, x - x와 같은 연산이 0의 불확실성을 반환하도록 보장한다.
• Julia의 고성능 및 메타프로그래밍 기능을 활용하여, 복소수, 배열, 행렬, 임의 정밀도 산술을 추가 코드 없이 지원한다.
• 디자인은 Python 패키지 'uncertainties'를 영감으로 삼았지만, Julia에 완전히 통합되어 있어 더 높은 성능과 유형 안정성을 제공한다.

실험 결과

연구 질문

• RQ1 기능적 상관관계가 있는 양을 포함한 수학적 표현, 예를 들어 x - x나 x/x에서 불확실성이 정확히 전파될 수 있는 방법은 무엇인가?
• RQ2 공분산 항을 명시적으로 계산하지 않고도 기능적 상관관계를 유지하면서 불확실성 전파 동안 효율적이고 견고한 계산 전략은 무엇인가?
• RQ3 복소수, 행렬, 임의 정밀도를 지원하는 생산 수준의 불확실성 전파 패키지를 고수준 과학 계산 언어인 Julia를 사용해 구현할 수 있는가?
• RQ4 Julia의 유형 체계는 불확실성 전파를 최소한의 코드로 구현하면서도 정확성과 성능을 보장할 수 있도록 어떻게 활용할 수 있는가?

주요 결과

• Measurements.jl은 x - x = 0.0 ± 0.0과 x/x = 1.0 ± 0.0을 정확히 계산하여, 기능적 상관관계 추적을 통해 수학적 항등식을 유지한다.
• 패키지는 임의 정밀도 산술을 지원하여 표준 부동소수점 정밀도를 초월한 고정밀도 불확실성 전파를 가능하게 한다.
• 불확실한 값의 배열과 행렬에 대한 선형 대수 연산이 내장되어 있으며, 행렬 곱셈과 역행렬 연산을 통해 정확한 불확실성 전파가 이루어진다.
• Julia의 컴파일 모델 덕분에 C/Fortran 수준의 성능를 달성하면서도 고수준 언어의 사용성을 유지한다.
• Julia의 강력한 유형 체계 덕분에 물리적 단위 및 기타 수치 도구를 위한 외부 패키지와 성공적으로 통합된다.
• 독립 측정값을 기반으로 불확실성 전파를 수행함으로써 수동으로 공분산을 계산할 필요가 없으며, 구성상 정확성을 보장한다.