[论文解读] Optimizing weighted ensemble sampling for steady states and rare events

David Aristoff|arXiv (Cornell University)|Jun 3, 2018

Simulation Techniques and Applications被引用 1

一句话总结

本文提出了一种针对加权集成（WE）采样优化的副本分配策略，该策略在稳态和罕见事件模拟中均降低了方差。通过用基于状态空间分箱的、数据驱动的代理模型替代传统的均匀副本分布，该方法在基准示例中实现了比标准WE更低的方差，从而提高了准确性。

ABSTRACT

We show how to optimize weighted ensemble (WE) sampling in rare event and steady state settings. WE is an unbiased resampling method for variance reduction. Traditionally, the method has been based on an ad hoc rule: maintaining a roughly uniform distribution of replicas. We describe a general recipe for optimizing the replica allocation. By allocating the replicas according to this optimized strategy, the variance can be further reduced compared to traditional WE. Though it is not practical to implement the optimal strategy exactly, in some cases it may be approximated by a cheap proxy model. We give an example of a proxy model based on binning state space, and show in a simple example that our replica allocation strategy outperforms traditional WE in both the steady state and rare event cases.

研究动机与目标

• 解决WE采样中由于依赖经验性副本分布规则而导致的方差减少不充分的问题。
• 开发一种WE中副本分配优化的一般性框架，以提高采样效率。
• 探索使用低成本代理模型对最优副本分配策略进行实用近似。
• 评估优化策略在稳态和罕见事件模拟场景中的性能。

提出的方法

• 基于最小化方差，推导出WE采样中最优副本分配的一般性方法。
• 提出使用代理模型——特别是对状态空间进行分箱——以高效近似最优分配。
• 将基于代理的分配规则应用于根据状态区域估计的统计重要性来分配副本。
• 采用加权集成框架，其中副本根据优化后的分配策略进行重采样和重新加权。
• 在简单测试案例中，将优化策略的性能与传统均匀副本分布进行比较。

实验结果

研究问题

• RQ1 如何系统性地优化加权集成采样，以超越当前依赖经验规则的副本分布，实现更低的方差？
• RQ2 加权集成模拟中最优副本分配策略的理论基础是什么？
• RQ3 在实际应用中，计算成本低廉的代理模型能否近似最优副本分配？
• RQ4 优化的副本分配是否能在稳态和罕见事件场景中均提升性能？

主要发现

• 所提出的优化副本分配策略比传统的均匀分布方法更有效地降低了方差。
• 基于状态空间分箱的代理模型使最优分配的实用近似成为可能。
• 在一个简单测试案例中，优化策略在稳态和罕见事件设置中均优于标准WE方法。
• 该方法表明，即使在精确优化不可行的情况下，通过有根据的副本分配也可实现方差降低。