[论文解读] Analysis of quasi-optimal polynomial approximations for parameterized PDEs with deterministic and stochastic coefficients

Hoang Tran, Clayton Webster+1 more|arXiv (Cornell University)|Aug 7, 2015

Probabilistic and Robust Engineering Design参考文献 20被引用 6

一句话总结

本文提出了一种广义框架，用于分析具有确定性和随机系数的参数化椭圆PDE中准最优多项式逼近的性质。通过将多指标集扩展到连续域，并使用勒贝格测度估计其基数，推导出形式为 $ M\exp{(- (\kappa M)^{1/N})} $ 的精确渐近误差界，展现出Legendre逼近相对于Taylor逼近的优越性能，并通过理论和计算证据验证了该方法。

ABSTRACT

In this work, we present a generalized methodology for analyzing the convergence of quasi-optimal Taylor and Legendre approximations, applicable to a wide class of parameterized elliptic PDEs with finite-dimensional deterministic and stochastic inputs. Such methods construct an optimal index set that corresponds to the sharp estimates of the polynomial coefficients. Our analysis furthermore represents a new approach for estimating best $M$-term approximation errors by means of coefficient bounds, without using Stechkin inequality. The framework we propose for analyzing asymptotic truncation errors is based on an extension of the underlying multi-index set into a continuous domain, and then an approximation of the cardinality (number of integer multi-indices) by its Lebesgue measure. Several types of isotropic and anisotropic (weighted) multi-index sets are explored, and rigorous proofs reveal sharp asymptotic error estimates in which we achieve sub-exponential convergence rates of the form $M \exp(-(κM)^{1/N})$, with $κ$ a constant depending on the shape and size of multi-index sets) with respect to the total number of degrees of freedom. Through several theoretical examples, we explicitly derive the constant $κ$ and use the resulting sharp bounds to illustrate the effectiveness of Legendre over Taylor approximations, as well as compare our rates of convergence with current published results. Computational evidence complements the theory and shows the advantage of our generalized framework compared to previously developed estimates.

研究动机与目标

• 开发一种广义方法，用于分析具有有限维确定性和随机输入的参数化椭圆PDE中准最优Taylor与Legendre逼近的收敛性。
• 在不依赖Stechkin不等式的情况下，估计最优 $ M $-项逼近误差，利用系数界和连续域扩展。
• 通过近似多指标集的基数使用其勒贝格测度，推导出精确的渐近误差估计。
• 比较在各向同性和各向异性（加权）多指标集下Legendre与Taylor逼近的收敛性能。
• 通过计算证据验证理论框架，并将其收敛速率与现有已发表结果进行比较。

提出的方法

• 将离散多指标集扩展到连续域，利用勒贝格测度近似其基数，从而实现渐近误差分析。
• 利用从系数 $ a(x,\mathbf{y}) $ 在复域中的解析性导出的系数界，定义多项式逼近的最优指标集。
• 基于多指标集 $ \Lambda \subset \mathbb{N}^N $ 的框架，构建 $ u(\mathbf{y}) $ 的准最优多项式子空间。
• 通过多项式系数的衰减速率 $ \bm{\rho}^{-\bm{\nu}} $ 分析收敛速率，其中 $ \bm{\rho} $ 定义了解析性区域。
• 采用多指标集数量的连续近似，推导出形式为 $ M\exp{(- (\kappa M)^{1/N})} $ 的误差估计，其中 $ \kappa $ 取决于指标集的形状和大小。
• 通过计算实验验证理论界，并与现有方法比较收敛速率，尤其在各向同性和各向异性设置下。

实验结果

研究问题

• RQ1 对于具有确定性和随机系数的参数化PDE，最优 $ M $-项逼近误差的渐近行为是什么？
• RQ2 如何在不依赖Stechkin不等式的情况下推导出精确的误差估计？
• RQ3 在各向同性和各向异性多指标集下，准最优Legendre与Taylor逼近的收敛速率如何？
• RQ4 与现有先验和后验逼近策略相比，该方法在收敛速度和精度方面表现如何？
• RQ5 该框架能否推广至具有嵌套、最优插值点且控制Lebesgue常数的非侵入式配置方法？

主要发现

• 所提方法实现了形式为 $ M\exp{(- (\kappa M)^{1/N})} $ 的亚指数收敛速率，其中 $ \kappa $ 取决于多指标集的形状和大小。
• 该框架通过利用多指标集连续扩展的勒贝格测度近似其基数，实现了精确的渐近误差估计。
• 在各向异性和加权设置下，Legendre逼近被证明在收敛速率上优于Taylor逼近。
• 针对若干具体例子，明确推导了常数 $ \kappa $ 的理论表达式，从而实现了收敛性能的精确比较。
• 计算结果证实了理论预测，并表明所提框架在精度和收敛速度方面优于以往发表的估计结果。
• 分析结果支持使用非侵入式配置方法结合准最优子空间，前提是Lebesgue常数增长缓慢且插值点为嵌套结构。