Monte-Carlo-Validierung

Deterministische Integration liefert einen einzelnen Schätzwert für $P(t)$ bei gegebenen Eingangsgrößen. In der Praxis sind diese Eingangsgrößen jedoch mit Unsicherheiten behaftet: Der Fluss $\Phi(E,\theta,t)$ ist statistisch verteilt, und die Kopplungsgrößen sind nur näherungsweise bekannt. Monte-Carlo-Verfahren erlauben es, diese Unsicherheiten systematisch durch das Rahmenwerk zu propagieren. Dieses Kapitel beschreibt die Methodik solcher Verfahren; es nennt keine erfundenen konkreten Ergebniszahlen und kennzeichnet jede Größenangabe ausdrücklich als illustrativ.

Das Grundprinzip

Das Monte-Carlo-Verfahren ersetzt die deterministische Auswertung durch eine wiederholte Auswertung mit zufällig gezogenen Eingangsgrößen. Anstatt einen festen Fluss anzunehmen, zieht man in jedem Durchlauf eine Realisierung des Flusses aus seiner angenommenen Wahrscheinlichkeitsverteilung. Für jede Realisierung wird das Integral ausgewertet, sodass eine Stichprobe von Leistungswerten entsteht. Aus dieser Stichprobe lassen sich Mittelwert, Streuung und Verteilungsform der Leistung $P(t)$ schätzen.

Dieses Vorgehen macht aus einem einzelnen Punktschätzwert eine vollständige statistische Charakterisierung. Statt nur zu wissen, welchen Wert die Leistung annimmt, erhält man ein Maß dafür, wie zuverlässig dieser Wert angesichts der Eingangsunsicherheiten ist.

Formal beruht das Verfahren auf der Deutung des Integrals als Erwartungswert. Zieht man Eingangsrealisierungen $X_i$ aus einer Wahrscheinlichkeitsdichte und wertet den Integranden aus, so ist der Monte-Carlo-Schätzer des Mittelwerts

$$\hat{P}_N = \frac{1}{N}\sum_{i=1}^{N} P(X_i),$$

der nach dem Gesetz der großen Zahlen für $N\to\infty$ gegen den wahren Erwartungswert konvergiert. Der entscheidende Vorteil dieses Zugangs gegenüber der gitterbasierten Integration ist, dass die Konvergenzrate nicht von der Dimension der Integrationsdomäne abhängt — ein Umstand, der bei hochdimensionalen Unsicherheitsräumen ausschlaggebend wird.

Sampling der Flussverteilungen

Der zentrale Schritt ist das Sampling der Flussverteilung. Das Modell nimmt an, dass sich der einfallende Fluss durch eine Wahrscheinlichkeitsverteilung über Energie und Winkel beschreiben lässt. In jedem Monte-Carlo-Durchlauf werden Werte aus dieser Verteilung gezogen, entweder durch direktes Sampling des kontinuierlichen Feldes oder durch Ziehung diskreter Ereignisse, die anschließend zu einer Flussrealisierung zusammengesetzt werden.

Die Qualität des Ergebnisses hängt entscheidend davon ab, dass die Sampling-Verteilung die tatsächliche Struktur des Flusses korrekt wiedergibt. Eine unzureichende Repräsentation der Anisotropie oder des Energiespektrums würde zu einer systematischen Verzerrung der geschätzten Leistung führen. Die zugrunde liegende Superpositionsstruktur mehrerer Kanäle wird in Mehrkanaliger Energiefluss behandelt und lässt sich unmittelbar auf das Sampling übertragen, indem jeder Kanal getrennt gezogen wird.

Praktisch erfolgt das Ziehen aus einer vorgegebenen Verteilung häufig über die Inversionsmethode: Ist $F$ die kumulative Verteilungsfunktion einer Zielgröße, so liefert $F^{-1}(u)$ mit einer gleichverteilten Zufallszahl $u\in[0,1)$ eine Stichprobe der gewünschten Verteilung. Für Verteilungen ohne geschlossen invertierbare Funktion stehen Verwerfungsverfahren oder tabellierte Umkehrungen zur Verfügung. Wesentlich für die Reproduzierbarkeit ist die Verwendung eines Pseudozufallszahlengenerators mit langer Periode und dokumentiertem Startwert, damit eine Auswertung exakt wiederholbar bleibt.

Unsicherheitsfortpflanzung

Neben dem Fluss können auch die Kopplungsgrößen mit Unsicherheiten behaftet sein. Der Streuquerschnitt $\sigma(E)$, der Impulsübertrag $\Delta p$, die Phononengeschwindigkeit $v_{\text{ph}}$ und der Wandlungswirkungsgrad $\eta_{\text{conv}}$ können jeweils aus ihren angenommenen Verteilungen gezogen werden. Die Monte-Carlo-Methode propagiert alle diese Unsicherheiten gemeinsam durch das Doppelintegral und liefert eine Verteilung der Leistung, die die kombinierte Wirkung aller Eingangsunsicherheiten widerspiegelt.

Aufgrund der multiplikativen Struktur der Master-Formel, wie in Mathematische Architektur dargelegt, überträgt sich eine relative Unsicherheit in einem Faktor näherungsweise direkt in eine relative Unsicherheit der Leistung. Diese Eigenschaft erleichtert die Interpretation der propagierten Unsicherheit erheblich.

Statistische Konvergenz

Die Genauigkeit einer Monte-Carlo-Schätzung wächst mit der Zahl der Durchläufe. Der statistische Fehler des Mittelwerts nimmt typischerweise mit der Wurzel aus der Zahl der Stichproben ab. Genauer ist der Standardfehler des Schätzers gegeben durch

$$\mathrm{SE}(\hat{P}_N) = \frac{s}{\sqrt{N}},$$

wobei $s$ die aus der Stichprobe geschätzte Standardabweichung der Einzelwerte ist. Diese charakteristische $1/\sqrt{N}$-Abhängigkeit hat eine unbequeme Konsequenz: Eine Halbierung des statistischen Fehlers erfordert eine Vervierfachung der Stichprobenzahl. Genau hier setzen varianzreduzierende Techniken an. Beim Importance Sampling wird bevorzugt aus den Bereichen gezogen, die den größten Beitrag zur Leistung liefern, und die Verzerrung durch einen Gewichtungsfaktor wieder ausgeglichen; dies senkt die Varianz $s^2$, ohne den Erwartungswert zu verändern. Weitere gebräuchliche Ansätze sind antithetische Variablen, bei denen negativ korrelierte Paare von Ziehungen die Varianz des Mittelwerts verringern, sowie Kontrollvariaten, die eine analytisch bekannte Hilfsgröße zur Fehlerreduktion nutzen.

Als rein illustrative Größenordnung — nicht als gemessenes Ergebnis — sei angemerkt, dass die Zahl der benötigten Durchläufe je nach geforderter Genauigkeit über mehrere Größenordnungen variieren kann; der konkrete Bedarf ist stets durch eine Konvergenzstudie zu bestimmen. Man verfolgt dabei, wie sich der geschätzte Mittelwert und seine Streuung mit wachsender Stichprobenzahl stabilisieren.

Verhältnis zur deterministischen Integration

Monte-Carlo-Validierung und deterministische Integration sind komplementär. Die deterministische Auswertung, beschrieben in Numerische Simulation, liefert einen präzisen Schätzwert für feste Eingangsgrößen und dient als Referenz. Das Monte-Carlo-Verfahren ergänzt diesen um eine Charakterisierung der Unsicherheit. Ein konsistentes Rahmenwerk verlangt, dass der Monte-Carlo-Mittelwert im Grenzfall verschwindender Eingangsunsicherheit mit dem deterministischen Ergebnis übereinstimmt. Diese Übereinstimmung ist ein wichtiger interner Konsistenztest.

Es ist wichtig zu betonen, dass die hier beschriebene Konvergenz eine Aussage über die interne Konsistenz der Rechnung ist, nicht über die physikalische Richtigkeit der Eingangsannahmen. Ein Monte-Carlo-Lauf kann beliebig präzise konvergieren und dennoch ein falsches Ergebnis liefern, wenn die zugrunde gelegten Verteilungen die Wirklichkeit nicht abbilden. Die statistische Interpretation der Streuung, insbesondere die Bedeutung der Standardabweichung, wird in Sigma-Analyse vertieft, wo auch die Notationsüberschneidung mit dem Streuquerschnitt aufgelöst wird.

Weiterführende Literatur

• Metropolis, N. & Ulam, S. (1949). The Monte Carlo Method. Journal of the American Statistical Association, 44(247), 335–341. — Die ursprüngliche Darstellung der Methode.
• Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2. Aufl.). Springer. — Umfassende moderne Behandlung von Sampling, Schätzern und Konvergenz.
• Rubinstein, R. Y. & Kroese, D. P. (2016). Simulation and the Monte Carlo Method (3. Aufl.). Wiley. — Varianzreduktion, Importance Sampling und praktische Schätzverfahren.