[论文解读] Multi-scale variance reduction methods based on multiple control variates for kinetic equations with uncertainties

Giacomo Dimarco, Lorenzo Pareschi|arXiv (Cornell University)|Dec 12, 2018

Probabilistic and Robust Engineering Design参考文献 25被引用 27

一句话总结

本文提出一种基于多重控制变数的多尺度方差缩减方法，用于具有不确定性的动力学方程，显著提升了蒙特卡洛采样效率。通过利用层级或非层级的控制变数（如BGK与可压缩欧拉模型），该方法在小克努森数（Knudsen数）的扩散区域能够比单控制变数方法更有效地降低统计方差，从而在更少样本下实现更高的精度。

ABSTRACT

The development of efficient numerical methods for kinetic equations with stochastic parameters is a challenge due to the high dimensionality of the problem. Recently we introduced a multiscale control variate strategy which is capable to accelerate considerably the slow convergence of standard Monte Carlo methods for uncertainty quantification. Here we generalize this class of methods to the case of multiple control variates. We show that the additional degrees of freedom can be used to improve further the variance reduction properties of multiscale control variate methods.

研究动机与目标

• 解决标准蒙特卡洛方法在具有随机输入的动力学方程不确定性量化中计算成本过高的问题。
• 通过利用动力学方程中的多尺度结构，克服传统蒙特卡洛方法收敛缓慢的缺陷。
• 将多尺度控制变数（MSCV）框架扩展至多重控制变数，以增强方差缩减效果。
• 提出并分析用于不确定性量化中组合多重控制变数的层级与非层级策略。
• 在不同克努森数下通过数值实验展示改进的精度-成本比。

提出的方法

• 提出一种推广至多重控制变数的多尺度控制变数（MSCV）框架，利用简化动力学模型的解作为控制变数。
• 引入两种变体：层级MSCVH2（例如，BGK与可压缩欧拉模型作为连续逼近）与非层级MSCV2（独立控制变数）。
• 将控制变数估计器表述为原始模型与多重控制变数解的线性组合，通过最优系数最小化方差。
• 使用BGK模型与可压缩欧拉方程作为低精度模型，以逼近高精度玻尔兹曼方程的解。
• 在多级蒙特卡洛设置中应用该方法，其中控制变数以不同采样规模计算，以平衡成本与方差缩减。
• 利用动力学方程的多尺度特性——当ε → 0时解趋近于扩散极限——设计能捕捉主导行为的控制变数。

实验结果

研究问题

• RQ1 与单控制变数方法相比，多重控制变数是否能在具有不确定性的动力学方程蒙特卡洛模拟中进一步降低方差？
• RQ2 控制变数的层级结构（如先BGK后欧拉）如何影响方差缩减与计算效率？
• RQ3 使用非层级控制变数（如独立模型）对不确定性量化的精度与成本有何影响？
• RQ4 随着克努森数减小（即在扩散区），多控制变数方法的性能如何变化？
• RQ5 所提方法是否可扩展至最优多级控制变数框架，以实现进一步的效率提升？

主要发现

• 多重控制变数方法，特别是层级MSCVH2方法，在估计温度与密度的期望值时，相比标准蒙特卡洛与单控制变数MSCV方法，显著降低了$L_2$误差。
• 当$\varepsilon=2\times10^{-4}$时，层级MSCVH2方法在密度估计中的$L_2$误差相比标准MC降低了整整一个数量级，其中玻尔兹曼方程使用$M=10$个样本，欧拉模型使用$M_{E_2}=10^5$个样本。
• 采用两个不同弛豫频率的BGK模型作为控制变数的MSCV2方法，相比标准MC提高了精度，尤其当控制变数的样本数$M_E$增加至$10^5$时更为显著。
• 方差缩减在扩散区（$\varepsilon=10^{-3}$与$2\times10^{-4}$）最为显著，此时多尺度结构的作用最为有效。
• 该方法在所有测试的克努森数下均保持稳定与收敛，误差曲线一致优于标准蒙特卡洛方法。
• 理论与数值结果共同证实，与单控制变数相比，多重控制变数能提供更优的方差缩减效果，尤其当控制变数选择得当且计算成本可接受时。