[论文解读] Constraining Model Uncertainty in Plasma Equation-of-State Models with a Physics-Constrained Gaussian Process

Jim Gaffney, Lin Yang+1 more|arXiv (Cornell University)|Jul 1, 2022

Gaussian Processes and Bayesian Inference被引用 9

一句话总结

本文提出了一种物理约束高斯过程（EOS GP）用于方程态（EOS）建模，可在保证热力学一致性的同时量化模型不确定性。通过将热力学定律嵌入自由能公式的GP先验中，该方法在数据丰富的区域将预测不确定性降低了10倍，且避免了外推过程中的不确定性低估问题。

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.

研究动机与目标

• 为解决方程态（EOS）模型中常被忽视但至关重要的模型不确定性问题，该问题源于函数形式的选择。
• 开发一种非参数统计框架，以量化物理上一致的EOS函数全空间中的不确定性。
• 在概率回归模型中强制实施热力学一致性，例如压强、内能与自由能之间的精确关系。
• 证明忽略物理约束会导致不可靠的不确定性估计：在数据丰富的区域高估不确定性，而在外推区域低估不确定性。
• 实现具有不确定性的EOS表格，并通过基于预测不确定性的自适应采样加速模拟与实验设计。

提出的方法

• 该方法采用高斯过程回归框架，其中均值函数基于参考自由能模型推导得出，以确保长期热力学一致性。
• 通过将所有EOS量（P, E, S）表示为随机自由能函数的泛函导数，将热力学约束嵌入其中。
• 引入一种改进的核结构，以确保GP的所有样本路径均代表物理上有效的方程态。
• 模型在碳化硼（B₄C）的第一性原理模拟数据上进行训练，不确定性通过GP后验分布传播。
• 通过使用参考自由能作为先验均值，强制实现已知的高温极限，确保正确的渐近行为。
• 通过GP方差计算预测不确定性，并与无物理约束的标准RBF核GP进行比较。

实验结果

研究问题

• RQ1 如何在尊重热力学一致性的前提下量化EOS模型中的模型不确定性？
• RQ2 忽略热力学约束对EOS预测中不确定性估计的影响是什么？
• RQ3 能否构建一种非参数GP框架，以探索所有物理上有效的EOS函数空间，同时保持计算可行性？
• RQ4 引入物理约束如何影响插值与外推区域中的不确定性？
• RQ5 基于GP的EOS模型能否指导自适应采样，以减少所需模拟或实验的次数？

主要发现

• 与无约束GP相比，该物理约束GP在B₄C数据集中数据丰富的区域，将压强预测不确定性的降低了一个数量级（10倍）。
• 在模拟数据密集的区域，约束GP将不确定性保持在1%以下，而无约束GP仅在低温、高密度区域且噪声极低时才能达到这一水平。
• 忽略热力学约束会导致在数据可用区域出现不确定性高估，其原因在于非物理的函数波动。
• 该约束模型避免了外推过程中对不确定性的低估，而无约束GP由于虚假平滑性假设，会出现此类问题。
• 该模型自然生成了紧凑、非网格化的不确定性感知EOS表格，适用于集成到流体动力学模拟中。
• 该框架支持基于不确定性的自适应采样，可将新模拟聚焦于预测不确定性较高的区域，从而高效提升模型保真度。