[論文レビュー] Particle based gPC methods for mean-field models of swarming with uncertainty

José A. Carrillo, Lorenzo Pareschi+1 more|arXiv (Cornell University)|Dec 5, 2017

Probabilistic and Robust Engineering Design参考文献 23被引用数 3

ひとこと要約

本稿では、不確実性を伴う集団行動モデルに対して、物理空間におけるモンテカルロサンプリングと確率空間における一般化パラメトリッククラウス（gPC）展開を組み合わせた、粒子ベースの一般化パラメトリッククラウス（gPC）法を提案する。この手法は、解の非負性を保ちながら、不確実性の定量的評価において高い精度を達成しており、双曲型および運動論的問題において非負性を失う標準的な確率ガレルキン法よりも優れている。

ABSTRACT

In this work we focus on the construction of numerical schemes for the approximation of stochastic mean--field equations which preserve the nonnegativity of the solution. The method here developed makes use of a mean-field Monte Carlo method in the physical variables combined with a generalized Polynomial Chaos (gPC) expansion in the random space. In contrast to a direct application of stochastic-Galerkin methods, which are highly accurate but lead to the loss of positivity, the proposed schemes are capable to achieve high accuracy in the random space without loosing nonnegativity of the solution. Several applications of the schemes to mean-field models of collective behavior are reported.

研究の動機と目的

• 不確実なパラメータを伴う集団行動の確率的平均場モデルにおいて、非負性を維持する課題に対処すること。
• 物理空間におけるモンテカルロ法の計算効率と、確率空間における一般化パラメトリッククラウス（gPC）のスペクトル的精度を組み合わせた数値スキームの開発。
• 双曲型および運動論的方程式に適用された確率ガレルキン法で一般的に生じる構造的性質（特に非負性）の喪失を克服すること。
• 次元の呪いを回避しつつ、大規模な集団行動系の不確実性下での正確で安定なシミュレーションを可能にすること。
• 運動論的および平均場方程式における不確実性の定量的評価に対して、侵襲的でなく非負性を保つ代替手法としての提供。

提案手法

• 物理空間における分布関数の近似に平均場モンテカルロ法を用い、S ≪ N の条件下で計算コストを O(SN) に低減する。
• 確率空間における解の表現に一般化パラメトリッククラウス（gPC）展開を適用し、確率変数 θ₁ および θ₂ における直交多項式を用いる。
• 解をgPC基底に射影することで、位置および速度のgPC係数に関する常微分方程式系が得られる： d/dt x̂_i,lr = v̂_i,lr および d/dt v̂_i,lr = S^i_lrhk, E^ij_lrhk, B^ij_lrhk の和を含む項。
• 係数 S^i_lrhk, E^ij_lrhk, B^ij_lrhk は、確率密度 g(θ₁,θ₂) に従う確率領域上の積分を含む確率ガレルキン射影により計算される。
• 2次元確率空間において、{Φ_k(θ₁)} および {Ψ_h(θ₂)} の直積を用いることで、正則性仮定の下でスペクトル収束を実現する。
• 物理ソルバーに対して非侵襲的であり、解の非負性を含む構造的性質を維持する。

実験結果

リサーチクエスチョン

• RQ1 粒子ベースのgPC法は、不確実なパラメータを伴う集団行動モデルにおいて、解の非負性を保ち得るか？
• RQ2 標準的な確率ガレルキン法が双曲型問題において非負性を失うのに対し、提案されたMCgPC法は、精度および安定性においてどのように比較されるか？
• RQ3 不確実な相互作用パラメータを伴う大規模システムに対して、MCgPC法の計算コストおよびスケーラビリティはいかほどか？
• RQ4 期待密度および速度といった解の統計的モーメントを、不確実性下で効果的に捉えることができるか？
• RQ5 本手法は、Vlasov-Fokker-Planck方程式やボルツマン方程式といった他の運動論的方程式へ、どの程度一般化可能か？

主な発見

• MCgPC法は、標準的な確率ガレルキン法が構造的欠損により負の密度を生じるのとは異なり、解の非負性を明確に保持する。
• 確率空間においてスペクトル収束を達成し、2次元の確率入力に対して M=4 および S=5 を用いることで高い精度を示す。
• N=10⁵ 個のエージェントからなる系では、計算コストが O(NSM²) に保たれ、S≪N の条件下で実行可能かつスケーラブルである。
• 数値結果から、確率的吸引、反発、整合パラメータ下での粒子分布の平均および分散の時間発展が正確に捉えられていることが示された。
• 相関・非相関の両方の確率的入力、特に確率的モースポテンシャルおよびCucker-Smale整合を含む、複雑な集団行動ダイナミクスを効果的にモデル化できる。
• 長時間にわたるシミュレーションにおいても、本手法は頑健で安定しており、不確実性下でも物理的整合性を維持する。