[论文解读] A Multilevel Monte Carlo Ensemble Scheme for Solving Random Parabolic PDEs

Yan Luo, Zhu Wang|arXiv (Cornell University)|Feb 15, 2018

Probabilistic and Robust Engineering Design参考文献 21被引用 8

一句话总结

本文提出了一种多级蒙特卡洛集合方法，通过结合二阶集合时间推进格式与多级蒙特卡洛采样，用于求解随机抛物型PDE。该方法实现了最优收敛速率，并通过在各级别上求解具有多个右端项的单一线性系统，显著降低了计算成本，相较于标准蒙特卡洛方法在效率上表现更优，同时保持了高精度。

ABSTRACT

A first-order, Monte Carlo ensemble method has been recently introduced for solving parabolic equations with random coefficients in [26], which is a natural synthesis of the ensemble-based, Monte Carlo sampling algorithm and the ensemble-based, first-order time stepping scheme. With the introduction of an ensemble average of the diffusion function, this algorithm leads to a single discrete system with multiple right-hand sides for a group of realizations, which could be solved more efficiently than a sequence of linear systems. In this paper, we pursue in the same direction and develop a new multilevel Monte Carlo ensemble method for solving random parabolic partial differential equations. Comparing with the approach in [26], this method possesses a high-order accuracy in time and further reduces the computational cost by using the multilevel Monte Carlo method. Rigorous numerical analysis shows the method achieves the optimal rate of convergence. Several numerical experiments are presented to illustrate the theoretical results.

研究动机与目标

• 改进求解具有随机系数的随机抛物型PDE的计算效率。
• 解决标准蒙特卡洛方法在不确定性量化中计算成本过高的问题。
• 将基于集合的方法扩展至多级框架，以提高时间精度并降低方差。
• 通过严格的数值分析，在L2与H1范数下实现最优收敛速率。
• 在数值实验中展示该方法相较于标准蒙特卡洛与单个模拟的优越性。

提出的方法

• 该方法采用二阶、基于集合的时间离散化，所有集合成员共享同一系数矩阵，从而实现对多个右端项的高效求解。
• 它整合了多级蒙特卡洛（MLMC）框架，通过在低分辨率下执行大部分模拟、在高分辨率下执行较少模拟，以降低方差。
• 采用分层采样策略，第 $ l $ 级的样本数为 $ J_l = 2^{4(L-l)+1} $，确保精度与成本之间的最优平衡。
• 空间离散化采用二次有限元方法，小规模问题通过LU分解求解。
• 使用扩散系数的集合平均以保持各实现之间的矩阵结构，从而实现矩阵复用。
• 通过 $ \Psi_h^E(\mathbf{x}) = \Psi[u_L^E(t_{N_L})] $ 计算最终时间的期望解，收敛性通过误差范数验证。

实验结果

研究问题

• RQ1 多级蒙特卡洛集合方法是否能在随机抛物型PDE上实现比一阶集合蒙特卡洛方法更高的时间精度与更低的计算成本？
• RQ2 所提出的方法是否在具有随机系数的随机抛物型PDE中，于L2与H1范数下均保持最优收敛速率？
• RQ3 基于集合的MLMC方法的计算效率与标准单个蒙特卡洛模拟相比如何？
• RQ4 通过在多级之间采用分层采样，该方法是否能有效降低方差，同时保持精度？
• RQ5 共享系数矩阵与块线性求解器对集合设置下整体模拟性能有何影响？

主要发现

• EMLMC方法在 $ \mathcal{E}_{L^2} $ 与 $ \mathcal{E}_{H^1} $ 中均达到关于最细网格尺寸 $ h_L $ 的最优收敛速率（阶为2），验证了理论预测。
• 数值实验表明，EMLMC解在平均解上的误差与参考单个蒙特卡洛模拟相比不超过 $ 10^{-4} $，表明其具有高精度。
• EMLMC方法将CPU时间从 $ 1.01 \times 10^4 $ 秒（单个模拟）降低至 $ 2.65 \times 10^3 $ 秒，实现了3.8倍的加速。
• 即使在调整样本数以满足各级稳定性条件时，该方法仍保持稳定与高精度。
• 在多次网格细化中，$ h_L $ 的收敛阶始终为2，验证了理论分析。
• 该方法有效结合了集合效率与多级方差减少，相较于标准蒙特卡洛方法，在精度与成本方面均表现出更优性能。