[論文レビュー] Parametric/Stochastic Model Reduction: Low-Rank Representation, Non-Intrusive Bi-Fidelity Approximation, and Convergence Analysis

Jerrad Hampton, Hillary Fairbanks+2 more|arXiv (Cornell University)|Sep 12, 2017

Probabilistic and Robust Engineering Design参考文献 47被引用数 4

ひとこと要約

本稿では、パラメータから解への写像における低ランク構造を活用して、低コストの低精度モデルと少数の高精度サンプルを組み合わせる、非侵襲的でサンプルベースの二精度モデル還元手法を提案する。解のランクに依存する計算的に効率的な誤差境界を新たに導出することで、パrametricおよび確率的PDEに対する近似精度の信頼性ある予測が可能となり、理論的収束保証が得られる。

ABSTRACT

For practical model-based demands, such as design space exploration and uncertainty quantification (UQ), a high-fidelity model that produces accurate outputs often has high computational cost, while a low-fidelity model with less accurate outputs has low computational cost. It is often possible to construct a bi-fidelity model having accuracy comparable with the high-fidelity model and computational cost comparable with the low-fidelity model. This work presents the construction and analysis of a non-intrusive (i.e., sample-based) bi-fidelity model that relies on the low-rank structure of the map between model parameters/uncertain inputs and the solution of interest, if exists. Specifically, we derive a novel, pragmatic estimate for the error committed by this bi-fidelity model. We show that this error bound can be used to determine if a given pair of low- and high-fidelity models will lead to an accurate bi-fidelity approximation. The cost of this error bound is relatively small and depends on the solution rank. The value of this error estimate is demonstrated using two example problems in the context of UQ, involving linear and non-linear partial differential equations.

研究の動機と目的

• 高精度の精度を達成しつつ計算コストを低く抑える非侵襲的でサンプルベースの二精度近似手法の開発。
• パrameterと関心の対象量との間の解写像における低ランク構造を活用して効率的なモデル還元を実現すること。
• 追加の高精度評価を必要とせず、二精度近似の精度を予測できる実用的で計算コストの低い誤差境界の導出。
• 低ランク仮定の下で、提案手法の理論的収束解析の提供。
• 不確実性量化の文脈における線形および非線形パラメトリックPDEへの手法の検証。

提案手法

• 本手法は、少数の高精度サンプルと多数の低精度サンプルを用いて二精度近似を構築する。
• 解写像が低ランク構造を有すると仮定し、低精度データ行列のSVDから得られる変換行列Tを用いた行列補間を実現する。
• 変換行列Tは、T = H P_{V_k} L⁺ として定義される。ここでP_{V_k}は、低精度行列Lの主要な右特異部分空間への射影である。
• 主な革新点は、高精度モデルと低精度モデルの乖離を定量化する不等式 τ‖Lx‖² + ε(τ)‖x‖² ≥ ‖Hx‖² に依存する実用的誤差境界の導出である。
• 誤差境界は解のランクと低精度行列の特異値に依存し、最適な近似ランクkの選択を可能にする。
• 本手法は非侵襲的であり、両モデルからのサンプルのみを必要とし、下位のソルバーの修正を一切不要とする。

実験結果

リサーチクエスチョン

• RQ1 少数の高精度サンプルと多数の低精度サンプルのみを用いて、高精度の精度を達成する非侵襲的二精度モデルを構築可能か？
• RQ2 解写像の低ランク構造は、安定的かつ正確な二精度近似を可能にするか？
• RQ3 追加の高精度評価を必要とせず、二精度近似の精度を予測できる実用的で低コストの誤差境界を導出可能か？
• RQ4 近似誤差は解のランクおよび低精度行列の特異値にどのように依存するか？
• RQ5 提案手法は、不確実性量化の文脈における線形および非線形パラメトリックPDEに対して、理論的に収束性と頑健性を有するか？

主な発見

• 提案された二精度近似は、高精度モデルと同等の精度を達成しながら、低精度モデルと同程度の計算コストを維持する。
• 解のランクと低精度行列の特異値にのみ依存する、新たな誤差境界が導出され、評価にかかる計算コストも低い。
• 誤差境界はタイトであり、与えられた低精度および高精度モデルの組み合わせが、正確な二精度近似をもたらすかどうかを判断するのに使用可能であることが示された。
• 理論的解析により、近似誤差が τσ²_{k+1} + ε(τ) で有界であることが証明された。ここでτとε(τ)は、行列不等式 τLᵀL + ε(τ)I ⪰ HᵀH を満たす。
• 線形および非線形PDEを含む2つのテスト問題において、手法の有効性が確認され、実際の実験で理論的誤差境界が実現された。
• 変換行列Tのノルムに対する上限が、≤ τ + ε(τ)σ⁻²_k であることが示され、低精度モデルにおける誤差の増幅を制御することが可能である。