Validation Monte-Carlo

La quadrature déterministe, décrite dans simulation numérique, évalue la Schubart Master Formula pour un seul ensemble fixe d’entrées. Mais les entrées d’une évaluation réelle — le spectre de flux, la section efficace et les paramètres matériels — sont elles-mêmes incertaines, et une distribution sur les entrées produit une distribution sur les sorties. Les méthodes de Monte-Carlo sont l’outil naturel pour traiter cela : elles estiment l’intégrale par échantillonnage aléatoire et, en même temps, propagent l’incertitude d’entrée en une incertitude sur $P(t)$. Ce chapitre décrit la méthodologie de façon générique ; les nombres utilisés sont des valeurs de remplacement illustratives, jamais revendiquées comme des résultats mesurés.

Estimation Monte-Carlo de l’intégrale

Le double intégral peut être estimé statistiquement plutôt que par une grille fixe. On tire $N$ points d’échantillonnage $(E_k,\theta_k)$ d’une distribution d’échantillonnage choisie sur le domaine d’intégration, on évalue l’intégrande $f(E,\theta,t)$ en chacun, et on forme une moyenne pondérée. Pour un échantillonnage uniforme sur un domaine de mesure $V$, l’estimateur est

$$\hat{P}_N(t) = \frac{V}{N}\sum_{k=1}^{N} f(E_k,\theta_k,t),$$

qui est sans biais : son espérance égale l’intégrale exacte pour tout $N$. Ce qui s’améliore avec $N$ n’est pas le biais mais la variance. Si $\text{Var}[f]$ désigne la variance de l’intégrande sur la distribution d’échantillonnage, l’erreur-type de l’estimateur est

$$\text{SE}\big[\hat{P}_N\big] = V\,\sqrt{\frac{\text{Var}[f]}{N}} \;\propto\; \frac{1}{\sqrt{N}} ,$$

l’échelonnement caractéristique en $1/\sqrt{N}$ qui est la signature — et le coût — de l’intégration Monte-Carlo. Cette convergence est lente : réduire l’erreur d’un facteur dix exige de centupler les échantillons. Il est crucial, cependant, que l’exposant soit indépendant de la dimension du domaine, raison pour laquelle Monte-Carlo dépasse la quadrature sur grille tensorielle lorsque l’intégrande est de haute dimension ou de forme malcommode, et pour laquelle elle traite gracieusement les domaines fortement piqués.

Réduction de variance

Parce que l’erreur est gouvernée par $\text{Var}[f]/N$, la même précision peut s’acheter soit en augmentant $N$, soit en abaissant la variance effective de l’estimateur — et cette dernière voie est généralement bien plus économique. L’échantillonnage préférentiel remplace le tirage uniforme par une distribution $g$ concentrée là où l’intégrande est grand, par exemple près du pic de recouvrement de $\Phi$ et $\sigma(E)$, et repondère chaque échantillon par $f/g$. Lorsque $g$ est bien choisie, l’intégrande repondéré est presque constant et sa variance s’effondre, de sorte qu’un $N$ modeste accomplit ce qui exigerait sinon des ordres de grandeur d’échantillons uniformes en plus. L’échantillonnage stratifié divise le domaine en sous-régions et échantillonne chacune en proportion de sa contribution, garantissant la couverture des régions importantes et éliminant l’agglomération qui afflige les tirages purement aléatoires. Les variables de contrôle soustraient une quantité corrélée d’intégrale connue, annulant une grande partie de la variance. Ce sont les techniques classiques cataloguées dans la littérature Monte-Carlo, et au moins l’une d’elles est généralement essentielle pour rendre l’évaluation de la formule maîtresse pratique plutôt que simplement possible.

Échantillonner les distributions d’entrée

L’usage distinctif de Monte-Carlo dans ce cadre n’est pas seulement d’évaluer l’intégrale mais de propager l’incertitude. Chaque entrée incertaine est décrite par une distribution de probabilité : le flux $\Phi$ pourrait être échantillonné autour d’un spectre moyen mesuré avec une dispersion supposée ; la section efficace $\sigma(E)$ pourrait être échantillonnée dans ses barres d’erreur de mesure ; et $\Delta p$, $v_{\text{ph}}$ et $\eta_{\text{conv}}$ pourraient chacun être tirés de distributions reflétant leur degré de connaissance. La procédure comporte une boucle externe et une boucle interne. Dans la boucle externe, on tire un ensemble complet de valeurs d’entrée de leur distribution conjointe — en respectant toute corrélation entre elles, puisque traiter des entrées corrélées comme indépendantes peut gravement fausser la dispersion de sortie. Dans la boucle interne, l’intégrale est évaluée pour cet ensemble d’entrées fixe, par quadrature ou par une intégration Monte-Carlo imbriquée. Chaque tirage externe produit ainsi une réalisation de $P(t)$, et répéter la boucle externe de nombreuses fois produit un ensemble de sorties dont la dispersion reflète l’incertitude d’entrée combinée. Cette structure imbriquée est l’essence de la propagation d’incertitude directe, et elle est bien plus informative qu’un seul nombre déterministe.

Lire la distribution de sortie

L’ensemble des valeurs de $P(t)$ est ensuite résumé. Sa moyenne estime la sortie attendue ; son écart-type quantifie l’incertitude ; et ses centiles donnent des intervalles de confiance. Les centiles méritent d’être rapportés à côté de l’écart-type parce que la distribution de sortie n’est généralement pas gaussienne — la formule maîtresse est un produit de facteurs, et les produits de variables aléatoires positives tendent vers des distributions asymétriques à longue traîne pour lesquelles un intervalle symétrique moyenne-plus-ou-moins-$\sigma$ sous-estime la queue supérieure. On pourrait rapporter, purement à titre d’illustration de la méthode, qu’une exécution de remplacement donne une sortie moyenne avec une dispersion de, disons, l’ordre de dix à vingt pour cent de la moyenne, se resserrant à mesure que les incertitudes d’entrée sont réduites. De tels chiffres sont notionnels et ne servent qu’à montrer la forme du résultat ; ils doivent être redérivés pour tout système réel et ne doivent jamais être cités comme s’ils étaient des mesures expérimentales. La largeur de cette distribution de sortie est la grandeur la plus pertinente pour un compte rendu honnête, et son interprétation comme écart-type se relie directement à la discussion statistique dans analyse de sigma.

Convergence et fiabilité de l’estimation

Un résultat Monte-Carlo porte sa propre barre d’erreur, et cette erreur doit être montrée suffisamment petite. La pratique standard est de surveiller l’estimation courante à mesure que $N$ augmente et de confirmer que la moyenne comme son erreur statistique se sont stabilisées ; un tracé de moyenne courante qui s’est aplati, avec une barre d’erreur ayant rétréci sous la tolérance de reporting, est le critère d’arrêt pratique. Parce que l’erreur statistique ne décroît qu’en $1/\sqrt{N}$, la diviser par deux exige de quadrupler le nombre d’échantillons, de sorte que les techniques de réduction de variance ci-dessus sont généralement essentielles à l’efficacité plutôt qu’optionnelles. Confronter la moyenne Monte-Carlo à une quadrature déterministe convergée sur les mêmes entrées fixes est un test de cohérence précieux : les deux méthodes doivent concorder dans les limites de leurs erreurs combinées, et un désaccord de plus de quelques erreurs-types signale un bogue dans l’une d’elles — un domaine mal apparié, un facteur jacobien oublié, ou une distribution d’échantillonnage qui ne visite jamais une partie du domaine. La qualité du flux pseudo-aléatoire compte aussi ; un mauvais générateur introduit des corrélations qui violent l’hypothèse d’indépendance derrière la loi en $1/\sqrt{N}$.

Ce que la validation établit et n’établit pas

Il importe d’être précis sur ce que cette procédure valide. La validation Monte-Carlo établit que l’intégrale a été évaluée correctement et que les incertitudes d’entrée ont été propagées fidèlement. Elle n’établit pas, en elle-même, que les modèles d’entrée sont physiquement corrects. Si le spectre de flux supposé, la section efficace ou le mécanisme de transfert de quantité de mouvement est faux, le calcul propagera fidèlement une hypothèse fausse vers une sortie énoncée avec assurance mais incorrecte — l’échec familier « ordures à l’entrée, ordures à la sortie », habillé d’une barre d’erreur d’apparence précise. La validation de la numérique est donc nécessaire mais non suffisante ; les entrées physiques doivent être validées séparément par la mesure. Lorsqu’une entrée proposée — par exemple un mécanisme spéculatif de $\Delta p$ — n’a pas été confirmée, la distribution de sortie résultante doit être présentée comme conditionnée à cette hypothèse, et étiquetée en conséquence. C’est aussi pourquoi la dispersion statistique produite ici ne doit jamais être lue comme une significativité de découverte expérimentale : une distribution de sortie resserrée certifie que le modèle est cohérent en interne étant donné ses hypothèses, non que les hypothèses correspondent au monde. La relation entre la dispersion statistique calculée ici et la notation de section efficace est démêlée dans analyse de sigma.

Pour aller plus loin

• Metropolis, N., & Ulam, S. (1949). « The Monte Carlo Method. » Journal of the American Statistical Association, 44(247), 335–341 — l’article fondateur de la méthode.
• Robert, C. P., & Casella, G. (2004). Monte Carlo Statistical Methods (2e éd.). Springer — un traitement moderne complet des estimateurs, de la réduction de variance et de la convergence.
• Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing (3e éd.). Cambridge University Press — chapitres pratiques sur l’intégration Monte-Carlo et l’échantillonnage préférentiel.