[논문 리뷰] Constraining Model Uncertainty in Plasma Equation-of-State Models with a Physics-Constrained Gaussian Process

Jim Gaffney, Lin Yang외 1명|arXiv (Cornell University)|2022. 07. 01.

Gaussian Processes and Bayesian Inference인용 수 9

한 줄 요약

이 논문은 열역학적 일致성을 유지하면서 모델 불확실성을 정량화하는 물리적 제약을 가한 가우시안 프로세스(EOS GP)를 도입한다. 자유 에너지 표현을 통해 열역학 법칙을 가우시안 프로세스 사전분포에 통합함으로써, 예측 불확실성이 비제약 GPs 대비 10배 감소하고, 특히 데이터가 풍부한 영역에서 성능 향상을 이룬다. 또한 외삽 시 불확실성의 과소평가를 방지한다.

ABSTRACT

Equation-of-state (EOS) models underpin numerical simulations at the core of research in high energy density physics, inertial confinement fusion, laboratory astrophysics, and elsewhere. In these applications EOS models are needed that span ranges of thermodynamic variables that far exceed the ranges where data are available, making uncertainty quantification (UQ) of EOS models a significant concern. Model uncertainty, arising from the choice of functional form assumed for the EOS, is a major challenge to UQ studies for EOS that is usually neglected in favor of parameteric and data uncertainties which are easier to capture without violating the physical constraints on EOSs. In this work we introduce a new statistical EOS construction that naturally captures model uncertainty while automatically obeying the thermodynamic consistency constraint. We apply the model to existing data for $B_4C$\ to place an upper bound on the uncertainty in the EOS and Hugoniot, and show that the neglect of thermodynamic constraints overestimates the uncertainty by factors of several when data are available and underestimates when extrapolating to regions where they are not. We discuss extensions to this approach, and the role of GP-based models in accelerating simulation and experimental studies, defining portable uncertainty-aware EOS tables, and enabling uncertainty-aware downstream tasks.

연구 동기 및 목표

• 기능형 형태의 선택으로 인해 발생하는 모델 불확실성 문제를 해결하고자 한다.
• 물리적으로 일관된 EOS 함수 전반의 공간에서 불확실성을 정량화하는 비모수 통계 프레임워크를 개발하고자 한다.
• 압력, 에너지, 자유 에너지 간 정확한 관계와 같은 열역학 일관성을 확률적 회귀 모델 내에서 강제하고자 한다.
• 물리적 제약를 무시할 경우 신뢰도 없는 불확실성 추정이 발생하며, 데이터가 풍부한 영역에서는 불확실성이 과대평가되고 외삽 영역에서는 과소평가됨을 보여주고자 한다.
• 예측 불확실성에 기반한 적응형 샘플링을 통해 불확실성 인식 기반의 EOS 표를 제공하고, 시뮬레이션 및 실험 설계의 가속화를 도모하고자 한다.

제안 방법

• 장기적인 열역학 일관성을 확보하기 위해 기준 자유 에너지 모델에서 유도된 평균 함수를 사용하는 가우시안 프로세스 회귀 프레임워크를 사용한다.
• 모든 EOS 양(P, E, S)을 확률적 자유 에너지 함수의 함수도수로 표현함으로써 열역학 제약 조건을 통합한다.
• 모든 샘플 경로가 물리적으로 타당한 상태방정식을 나타내도록 하기 위해 수정된 커널 구조를 도입한다.
• 붕소 카바이드(B₄C)의 제1원리 시뮬레이션 데이터를 기반으로 모델을 훈련하고, 불확실성 정량화를 가우시안 프로세스 사후분포를 통해 전파한다.
• 기본 자유 에너지를 사전 평균으로 사용함으로써 고온 한계를 강제하여 올바른 渐近적 행동을 보장한다.
• 예측 불확실성은 가우시안 프로세스 분산을 통해 계산되며, 물리적 제약이 없는 표준 RBF 커널 GP와 비교한다.

실험 결과

연구 질문

• RQ1 어떻게 열역학 일관성을 존중하면서 EOS 모델의 모델 불확실성을 정량화할 수 있는가?
• RQ2 열역학 제약를 무시할 경우 EOS 예측의 불확실성 추정에 어떤 영향을 미치는가?
• RQ3 물리적으로 타당한 EOS 함수의 전체 공간을 탐색하면서도 계산적 타당성을 유지할 수 있는 비모수적 GP 프레임워크를 구축할 수 있는가?
• RQ4 물리적 제약 조건을 포함할 경우 내삽 영역과 외삽 영역에서의 불확실성에 어떤 영향을 미치는가?
• RQ5 GP 기반 EOS 모델은 불확실성 기반 적응형 샘플링을 통해 필요한 시뮬레이션 또는 실험 수를 줄일 수 있는가?

주요 결과

• B₄C 데이터셋의 데이터가 풍부한 영역에서 물리적 제약을 가한 GP는 비제약 GP 대비 압력 예측 불확실성을 10배 감소시킨다.
• 밀도가 높고 데이터가 풍부한 영역에서는 제약이 있는 GP가 불확실성을 1% 이하로 유지하지만, 비제약 GP는 소음이 거의 없는 저온·고밀도 영역에서만 이 수준에 도달한다.
• 열역학 제약 조건을 무시할 경우, 비물리적 함수 변동으로 인해 데이터가 있는 영역에서 불확실성이 몇 배 과대평가된다.
• 비제약 GPs는 허구적인 매끄러움 가정으로 인해 외삽 시 불확실성을 과소평가하지만, 제약이 있는 모델은 이를 방지한다.
• 모델은 자연스럽게 불확실성 인식 기반의 EOS 표를 생성하며, 이는 압축된 비그리드 기반의 형태로, 유체역학 시뮬레이션에 통합하기에 적합하다.
• 이 프레임워크는 불확실성 기반 적응형 샘플링을 가능하게 하여, 높은 예측 불확실성 영역을 중심으로 새로운 시뮬레이션을 타겟팅함으로써 모델 정밀도를 효율적으로 향상시킬 수 있다.