[论文解读] Multi-level higher order QMC Galerkin discretization for affine parametric operator equations

Josef Dick, Frances Y. Kuo+2 more|arXiv (Cornell University)|Jun 17, 2014

Mathematical Approximation and Integration参考文献 18被引用 5

一句话总结

本文提出了一种用于仿射参数化算子方程的多级高阶准蒙特卡洛（QMC）伽辽金半离散化方法，结合了交错多项式格规则与佩特罗夫-伽辽金有限元方法。在参数算子和卡亨-洛夫特征函数满足适当正则性条件时，该方法在椭圆型与抛物型PDEs的随机输入问题中实现了$Ó(\varepsilon^{-3/2})$的工作复杂度最优收敛率，优于单级方法。

ABSTRACT

We develop a convergence analysis of a multi-level algorithm combining higher order quasi-Monte Carlo (QMC) quadratures with general Petrov-Galerkin discretizations of countably affine parametric operator equations of elliptic and parabolic type, extending both the multi-level first order analysis in [\emph{F.Y.~Kuo, Ch.~Schwab, and I.H.~Sloan, Multi-level quasi-Monte Carlo finite element methods for a class of elliptic partial differential equations with random coefficient} (in review)] and the single level higher order analysis in [\emph{J.~Dick, F.Y.~Kuo, Q.T.~Le~Gia, D.~Nuyens, and Ch.~Schwab, Higher order QMC Galerkin discretization for parametric operator equations} (in review)]. We cover, in particular, both definite as well as indefinite, strongly elliptic systems of partial differential equations (PDEs) in non-smooth domains, and discuss in detail the impact of higher order derivatives of {\KL} eigenfunctions in the parametrization of random PDE inputs on the convergence results. Based on our \emph{a-priori} error bounds, concrete choices of algorithm parameters are proposed in order to achieve a prescribed accuracy under minimal computational work. Problem classes and sufficient conditions on data are identified where multi-level higher order QMC Petrov-Galerkin algorithms outperform the corresponding single level versions of these algorithms. Numerical experiments confirm the theoretical results.

研究动机与目标

• 开发一种用于求解具有随机输入的参数化算子方程的多级高阶QMC算法。
• 将现有单级高阶QMC方法扩展至多级框架，以提高计算效率。
• 分析在非光滑区域中具定义与不定、强椭圆系统的收敛速率与工作复杂度。
• 确定确保最优收敛的参数化算子与卡亨-洛夫特征函数的充分条件。
• 提供先验误差界与算法参数选择，以在最小计算成本下实现预定精度。

提出的方法

• 将高阶准蒙特卡洛积分与多级佩特罗夫-伽辽金有限元半离散化相结合，用于处理无穷维积分问题。
• 采用基于参数化算子系数衰减特性的SPOD权重的交错多项式格规则。
• 采用分层网格加密策略，其中$ h_\ell = 2^{-(\ell+1)} $，各层级$ \ell = 0, \dots, L $的截断维数为$ s_\ell = \min(2^{4\ell}, 2^L) $。
• 使用基底$b=2$与沃尔什常数$C=1.0$的快速CBC方法构造生成向量，并基于特征函数正则性选择问题特定的权重$ \beta_j $。
• 推导出可分解为随机（QMC）与空间（有限元）分量的先验误差界，从而实现最优参数选择。
• 使用$ L=9 $层级的参考解，其中$ s=1024 $，$ N=2^{20} $个点，对收敛速率进行数值验证。

实验结果

研究问题

• RQ1 高阶QMC方法能否与多级有限元半离散化有效结合，以提升参数化PDE的收敛速率？
• RQ2 在多级高阶QMC设置下，确保最优收敛的参数化算子结构与特征函数正则性的充分条件是什么？
• RQ3 多级高阶QMC方法的工作复杂度如何随目标精度$ \varepsilon $变化？
• RQ4 在哪些问题类别中，多级方法优于单级高阶QMC算法？
• RQ5 理论误差界是否可在实际中实现？算法参数如何影响观测到的收敛行为？

主要发现

• 多级高阶QMC算法在目标精度$ \varepsilon > 0 $下实现了$ \mathcal{O}(\varepsilon^{-3/2}) $的工作复杂度（忽略对数因子）。
• 数值结果验证了理论收敛率$ \mathcal{O}(\varepsilon^{-3/2}) $，误差与工作量图中斜率为$ -2/3 $。
• 在卡亨-洛夫特征函数具有足够光滑性时，该方法在工作效率上优于单级QMC算法。
• 采用针对$ A_j $算子衰减特性定制的SPOD权重的交错多项式格规则，确保了在随机维数上的高阶收敛。
• 算法参数（包括截断维数与每级QMC采样点数）可基于先验误差界选择，以实现最优性能。
• 使用$ L=8 $与$ L=9 $处的参考解进行的数值实验表明，理论收敛速率在实践中得以实现。