[论文解读] Forward and Inverse Uncertainty Quantification using Multilevel Monte Carlo Algorithms for an Elliptic Nonlocal Equation

Ajay Jasra, Kody J. H. Law+1 more|arXiv (Cornell University)|Mar 21, 2016

Probabilistic and Robust Engineering Design参考文献 10被引用 3

一句话总结

本文提出多级蒙特卡洛（MLMC）和多级序贯蒙特卡洛（MLSMC）算法，用于椭圆非局部方程中随机参数的前向与反向不确定性量化（UQ）。结果表明，这些方法在均方误差为 $ \mathcal{O}(\varepsilon^2) $ 时达到最优计算复杂度 $ \mathcal{O}(\varepsilon^{-2}) $，相较于标准蒙特卡洛采样，在求解具有随机核参数和噪声观测的非局部PDE时显著降低了计算成本。

ABSTRACT

This paper considers uncertainty quantification for an elliptic nonlocal equation. In particular, it is assumed that the parameters which define the kernel in the nonlocal operator are uncertain and a priori distributed according to a probability measure. It is shown that the induced probability measure on some quantities of interest arising from functionals of the solution to the equation with random inputs is well-defined; as is the posterior distribution on parameters given observations. As the elliptic nonlocal equation cannot be solved approximate posteriors are constructed. The multilevel Monte Carlo (MLMC) and multilevel sequential Monte Carlo (MLSMC) sampling algorithms are used for a priori and a posteriori estimation, respectively, of quantities of interest. These algorithms reduce the amount of work to estimate posterior expectations, for a given level of error, relative to Monte Carlo and i.i.d. sampling from the posterior at a given level of approximation of the solution of the elliptic nonlocal equation.

研究动机与目标

• 解决具有随机核参数的椭圆非局部方程的前向与反向不确定性量化（UQ）问题。
• 构建一个贝叶斯反向问题，其中核参数为随机变量，并基于解的噪声观测进行条件化。
• 开发高效的采样算法，以估计在先验和后验分布下感兴趣的量的期望。
• 通过利用多级采样策略，降低非局部模型中UQ的计算成本。
• 在高维或无限维参数空间中，建立理论与数值证据，证明最优收敛速率与成本效率。

提出的方法

• 使用参数化核 $ B_{\lambda}(x,x') $ 建模非局部算子，其中参数 $ \lambda = (\theta, \alpha, \delta) $ 赋予先验分布。
• 采用有限元法（FEM）结合间断伽辽金格式，在多个网格层级 $ h_\ell = 2^{-(k+\ell)} $ 上数值逼近非局部方程的解。
• 应用多级蒙特卡洛（MLMC）框架，通过跨层级耦合样本结合，利用交错求和减少方差，以估计先验期望。
• 使用多级序贯蒙特卡洛（MLSMC）近似后验期望，通过重要性采样与重采样在层级间传播粒子，以处理后验集中现象。
• 利用收敛率 $ \mathcal{O}(h^{m+t}) $，其中线性元对应 $ \beta = 4 $，以在层级间平衡计算成本与精度。
• 采用似然模型 $ y|u \sim N(m(u), \sigma^2) $，在两点观测条件下对后验进行条件化，并将 $ u(0.5) $ 作为感兴趣的量。

实验结果

研究问题

• RQ1 多级蒙特卡洛方法能否有效应用于具有随机参数的非局部椭圆PDE的前向与反向UQ？
• RQ2 与标准i.i.d.蒙特卡洛采样相比，MLMC与MLSMC在相同精度下求解非局部UQ时，计算成本降低了多少？
• RQ3 FEM近似收敛率如何影响非局部问题中具有不连续解的多级采样效率？
• RQ4 当似然集中在小子空间时，MLSMC能否高效处理非局部方程贝叶斯反问题中的后验分布？
• RQ5 在该类非局部模型中，MLMC与MLSMC估计器的实际经验收敛速率如何？

主要发现

• MLMC算法在达到均方误差 $ \mathcal{O}(\varepsilon^2) $ 时，计算成本为 $ \mathcal{O}(\varepsilon^{-2}) $，达到最优速率，且优于标准i.i.d.蒙特卡洛采样。
• MLSMC算法同样实现 $ \mathcal{O}(\varepsilon^{-2}) $ 的计算成本以达到 $ \mathcal{O}(\varepsilon^2) $ 的均方误差，证明其在反向问题后验估计中的高效性。
• 数值实验显示，先验的估计收敛率为 $ \hat{\alpha} = 2.005 $，后验为 $ \hat{\beta} = 4.271 $，接近理论值 $ \alpha = 2 $、$ \beta = 4 $，验证了多级框架的有效性。
• 该方法能有效处理不连续解与参数依赖核函数，当节点与不连续点对齐时，收敛性仍得以保持。
• 后验分布定义良好且高度集中，使得尽管似然支持范围小，序贯蒙特卡洛仍能有效应用。
• 该框架可扩展至高维、空间变化参数以及时间依赖或无限维参数空间，如结论所述。