[论文解读] Uncertainty propagation with functionally correlated quantities

Mosé Giordano|arXiv (Cornell University)|Oct 27, 2016

Advancements in PLL and VCO Technologies参考文献 1被引用 20

一句话总结

本论文介绍了 Measurements.jl，这是一个 Julia 包，通过追踪派生量与基础独立测量值之间的偏导数，实现科学计算中准确的不确定性传播。该方法确保 x - x 或 x/x 等运算结果的不确定性为零，从而在不确定性下正确保留数学恒等式，支持实数与复数、任意精度以及线性代数运算。

ABSTRACT

Many uncertainty propagation software exist, written in different programming languages, but not all of them are able to handle functional correlation between quantities. In this paper we review one strategy to deal with uncertainty propagation of quantities that are functionally correlated, and introduce a new software offering this feature: the Julia package Measurements.jl. It supports real and complex numbers with uncertainty, arbitrary-precision calculations, mathematical and linear algebra operations with matrices and arrays.

研究动机与目标

• 解决在涉及函数相关量的数学运算中正确传播不确定性的挑战，标准误差传播方法无法保留 x - x = 0 等精确恒等式。
• 开发一种软件解决方案，通过追踪依赖关系回溯至独立测量值，保持函数相关性，避免错误的协方差估计。
• 在 Julia 中提供一个高性能、可扩展的不确定性传播工具，支持矩阵代数和任意精度算术等高级数值运算。
• 使研究人员能够在实验数据分析中可靠地执行不确定性传播，而无需手动推导协方差项。

提出的方法

• 该方法追踪派生量所依赖的所有独立测量值，使用表达式对每个独立测量值的偏导数。
• 不确定性通过简化误差传播公式（公式 4）进行传播，由于使用独立变量，所有协方差项在构造上均为零。
• 该包实现了自定义的 Measurement 类型，继承自 AbstractFloat，从而实现与 Julia 类型系统的无缝集成和数学运算支持。
• 通过在每个 Measurement 对象中存储导数信息，保留函数相关性，确保 x - x 等运算返回零不确定性。
• 实现利用 Julia 的高性能和元编程特性，无需额外代码即可支持复数、数组、矩阵和任意精度算术。
• 该设计受 Python 包 'uncertainties' 启发，但完全原生于 Julia，实现更优性能和类型安全性。

实验结果

研究问题

• RQ1 如何在涉及函数相关量（如 x - x 或 x/x）的数学表达式中正确传播不确定性？
• RQ2 如何设计一种高效且稳健的计算策略，在不确定性传播过程中保持函数相关性，而无需显式计算协方差项？
• RQ3 是否可以使用 Julia 这类高级科学计算语言实现一个生产级的不确定性传播包，支持复数、矩阵和任意精度？
• RQ4 如何利用 Julia 的类型系统以最少的代码实现不确定性传播，同时保证正确性和性能？

主要发现

• Measurements.jl 正确计算出 x - x = 0.0 ± 0.0 和 x/x = 1.0 ± 0.0，通过追踪函数相关性保留了数学恒等式。
• 该包支持任意精度算术，可实现超越标准浮点精度的高精度不确定性传播。
• 对包含不确定值的数组和矩阵的线性代数运算原生支持，矩阵乘法和求逆过程中的不确定性传播正确无误。
• 由于 Julia 的编译模型，该实现性能可媲美 C/Fortran，同时保持高级语言的易用性。
• 由于 Julia 强大的类型系统，该包成功与第三方 Julia 包（如物理单位和其他数值工具）集成。
• 通过以独立测量值为基础进行不确定性传播，该方法避免了手动协方差计算，从构造上确保了正确性。