Ny Monte Carlo-metode er beregningsmæssigt mere effektiv til at kvantificere usikkerhed

Uncertainty quantification (UQ) er en statistisk teknik til at forudsige mange komplekse fænomener såsom vejrforhold og tsunami-risici. Det involverer kombinationen af ​​virkelige data (f.eks. vejrmålinger) sammen med matematiske ligninger for at modellere fysiske systemer, der er velforståede. Disse komplekse modeller er normalt forbundet med enten højdimensionelle objekter, store datasæt eller muligvis begge dele. I sådanne scenarier, det er vigtigt, at den nødvendige beregningsmetode til at estimere sådanne modeller er ressourceeffektiv. Prof Ajay JASRA fra Institut for Statistik og Anvendt Sandsynlighed, NUS og hans samarbejdspartnere har foreslået en mere effektiv tilgang til at udføre UQ-beregninger.

For UQ-problemer, Monte Carlo-metoden giver brugeren mulighed for numerisk at anslå mængder af interesse på en effektiv måde. Selvom der er en forbedret version, kendt som Multilevel Monte Carlo (MLMC) metoden, det er udfordrende at bruge det til UQ-problemer. MLMC metoder, for UQ-problemer forbundet med data er det ikke-trivielt at anvende. Dette skyldes, at tilnærmelse af den tilknyttede sandsynlighedsfordeling, hvilket er nødvendigt for at MLMC-metoden kan fungere, er ikke altid muligt ved hjælp af uafhængig simulering. I deres seneste avis, Prof Jasra og hans samarbejdspartnere har udviklet en ny tilgang, som gør det muligt for MLMC at tackle UQ-problemer uden at gå på kompromis med en høj nøjagtighed, mens der bruges færre beregningsressourcer.

I fremtiden, forskerne planlægger at udvide deres statistiske metoder til at tackle en større række af problemer. De statistiske metoder vil også inkorporere multi-indeks Monte Carlo metoden, som er en mindre beregningskrævende metode med samme nøjagtighed som MLMC.

Prof Jasra sagde, "Idéerne i dette arbejde kan bidrage til at udvide klassen af ​​modeller, der bruges til usikkerhedskvantificeringsproblemer, som for vejrudsigter."