[论文解读] A multilevel adaptive sparse grid stochastic collocation approach to the non-smooth forward propagation of uncertainty in discretized problems

Robert L. Gates, Maximilian Bittens|arXiv (Cornell University)|Sep 4, 2015

Probabilistic and Robust Engineering Design被引用 4

一句话总结

本文提出多级自适应稀疏格点配置（MLASGC）方法，以高效求解计算力学中非光滑随机偏微分方程。通过将自适应稀疏格点随机配置与空间离散化层次结构相结合，MLASGC 实现了 ε ∼ t⁻⁰·⁹⁵ 的收敛速率，显著优于单级 ALSGC（ε ∼ t⁻⁰·⁶⁵）和 MLMC（ε ≲ t⁻⁰·⁵）。

ABSTRACT

This work proposes a scheme for significantly reducing the computational complexity of discretized problems involving the non-smooth forward propagation of uncertainty by combining the adaptive hierarchical sparse grid stochastic collocation method (ALSGC) with a hierarchy of successively finer spatial discretizations (e.g. finite elements) of the underlying deterministic problem. To achieve this, we build strongly upon ideas from the Multilevel Monte Carlo method (MLMC), which represents a well-established technique for the reduction of computational complexity in problems affected by both deterministic and stochastic error contributions. The resulting approach is termed the Multilevel Adaptive Sparse Grid Collocation (MLASGC) method. Preliminary results for a low-dimensional, non-smooth parametric ODE problem are promising: the proposed MLASGC method exhibits an error/cost-relation of $\\varepsilon \\sim t^{-0.95}$ and therefore significantly outperforms the single-level ALSGC ($\\varepsilon \\sim t^{-0.65}$) and MLMC methods ($\\varepsilon \\lesssim t^{-0.5}$).

研究动机与目标

• 解决计算力学中非光滑参数问题的前向不确定性传播带来的高计算成本问题。
• 克服经典随机配置方法和蒙特卡洛方法在解在随机参数域中缺乏光滑性时的局限性。
• 通过结合自适应稀疏格点配置与多级空间离散化，降低计算复杂度。
• 借鉴多级蒙特卡洛原理，在层次化空间网格上平衡确定性误差与随机误差。
• 开发一种非侵入式、可并行化的框架，可与现有确定性求解器兼容，适用于工程应用。

提出的方法

• 利用层次基函数和局部误差估计，在随机空间中自适应地精细稀疏格点，以处理非光滑解行为。
• 构建对底层确定性问题的逐级细化有限元离散化层次，以表示不同精度级别的离散化。
• 在每个空间离散化层级上应用自适应层次稀疏格点配置（ALSGC）方法，以计算随机插值。
• 以线性方式在各层级间分配总体的精细度容差，以在保持精度的同时降低精细网格上的计算成本。
• 采用受多级蒙特卡洛（MLMC）启发的多级校正策略，通过计算层级间差异来降低整体方差。
• 通过将精细度容差与时间积分器的全局截断误差（Δt_R）成比例，平衡空间离散化误差与插值误差。

实验结果

研究问题

• RQ1 能否通过结合自适应稀疏格点的多级方法显著降低非光滑随机前向问题的计算复杂度？
• RQ2 所提出的 MLASGC 方法在非光滑问题中的误差衰减速率与单级 ALSGC 和 MLMC 相比如何？
• RQ3 在多级空间离散化中，线性分配精细度容差是否优于均匀分配，从而提升性能？
• RQ4 该方法的非侵入特性是否可被用于实现高效并行化，并与现有有限元框架无缝集成？
• RQ5 MLASGC 方法是否适用于中等随机维度且在随机空间中具有非光滑解行为的问题？

主要发现

• MLASGC 方法实现了误差/计算成本的收敛速率 ε ∼ t⁻⁰·⁹⁵，相较于单级 ALSGC（ε ∼ t⁻⁰·⁶⁵）表现出更优的效率。
• MLASGC 方法优于标准多级蒙特卡洛（MLMC）方法，后者收敛速率较慢，为 ε ≲ t⁻⁰·⁵。
• 在多级插值中采用线性分配精细度容差，相比均匀分配可获得更优性能，显著减少了在精细层级上所需的配置点数量。
• 该方法通过在随机空间中自适应细化与多级空间离散化相结合，有效处理非光滑问题，缓解了因缺乏光滑性导致的收敛性损失。
• 该方法为非侵入式，与现有确定性求解器兼容，支持直接实现与并行化。
• 尽管结果令人鼓舞，但该方法在收敛性质方面缺乏严格的数学分析，为未来理论研究留下了发展空间。