Валидация методом Монте-Карло

Детерминированная квадратура, описанная в численном моделировании, вычисляет Schubart Master Formula для единственного фиксированного набора входов. Но входы реального вычисления — спектр потока, сечение и материальные параметры — сами неопределённы, а распределение по входам производит распределение по выходам. Методы Монте-Карло — естественный инструмент для этого: они оценивают интеграл случайной выборкой и одновременно переносят входную неопределённость в неопределённость $P(t)$. Эта глава описывает методологию в общем виде; используемые числа — иллюстративные подставные значения, никогда не заявляемые как измеренные результаты.

Оценка интеграла методом Монте-Карло

Двойной интеграл можно оценить статистически, а не фиксированной сеткой. Берут $N$ точек выборки $(E_k,\theta_k)$ из выбранного распределения выборки по области интегрирования, вычисляют подынтегральное выражение $f(E,\theta,t)$ в каждой и образуют взвешенное среднее. Для равномерной выборки по области меры $V$ оценкой является

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

которая несмещённа: её математическое ожидание равно точному интегралу для любого $N$. С ростом $N$ улучшается не смещение, а дисперсия. Если $\text{Var}[f]$ обозначает дисперсию подынтегрального выражения по распределению выборки, стандартная ошибка оценки есть

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

характерное масштабирование $1/\sqrt{N}$, которое есть сигнатура — и цена — интегрирования Монте-Карло. Эта сходимость медленна: снижение ошибки в десять раз требует стократного увеличения числа выборок. Однако, что существенно, показатель независим от размерности области, и именно поэтому Монте-Карло обгоняет тензорно-сеточную квадратуру, когда подынтегральное выражение многомерно или неудобно по форме, и почему он изящно справляется с резко пиковыми областями.

Снижение дисперсии

Поскольку ошибка управляется $\text{Var}[f]/N$, ту же точность можно купить либо повышением $N$, либо понижением эффективной дисперсии оценки — и последнее обычно гораздо дешевле. Выборка по значимости заменяет равномерный отбор распределением $g$, сосредоточенным там, где подынтегральное выражение велико, например около пика перекрытия $\Phi$ и $\sigma(E)$, и перевзвешивает каждую выборку на $f/g$. Когда $g$ выбрано хорошо, перевзвешенное подынтегральное выражение почти постоянно, и его дисперсия схлопывается, так что умеренное $N$ достигает того, что иначе потребовало бы на порядки больше равномерных выборок. Стратифицированная выборка делит область на подобласти и выбирает из каждой пропорционально её вкладу, гарантируя покрытие важных областей и устраняя кластеризацию, которая досаждает чисто случайным отборам. Контрольные переменные вычитают коррелированную величину с известным интегралом, отменяя значительную часть дисперсии. Это классические техники, каталогизированные в литературе по Монте-Карло, и по крайней мере одна из них обычно необходима, чтобы сделать вычисление основной формулы практичным, а не просто возможным.

Выборка входных распределений

Отличительное использование Монте-Карло в этой концепции — не просто вычислить интеграл, но перенести неопределённость. Каждый неопределённый вход описывается распределением вероятности: поток $\Phi$ можно выбирать вокруг измеренного среднего спектра с предполагаемым разбросом; сечение $\sigma(E)$ можно выбирать в пределах его погрешностей измерения; а $\Delta p$, $v_{\text{ph}}$ и $\eta_{\text{conv}}$ можно каждое брать из распределений, отражающих, насколько хорошо они известны. Процедура имеет внешний и внутренний циклы. Во внешнем цикле берут полный набор входных значений из их совместного распределения — с учётом любых корреляций между ними, поскольку трактовка коррелированных входов как независимых может сильно исказить выходной разброс. Во внутреннем цикле интеграл вычисляется для этого фиксированного набора входов квадратурой или вложенным интегрированием Монте-Карло. Поэтому каждый внешний отбор даёт одну реализацию $P(t)$, и повторение внешнего цикла многократно производит ансамбль выходов, чей разброс отражает совокупную входную неопределённость. Эта вложенная структура — суть прямого переноса неопределённости, и она гораздо информативнее единственного детерминированного числа.

Чтение выходного распределения

Ансамбль значений $P(t)$ затем обобщается. Его среднее оценивает ожидаемый выход; его стандартное отклонение количественно описывает неопределённость; а его процентили дают доверительные интервалы. Процентили стоит сообщать наряду со стандартным отклонением, потому что выходное распределение, вообще говоря, не гауссово — основная формула есть произведение множителей, а произведения положительных случайных величин тяготеют к скошенным, длиннохвостым распределениям, для которых симметричный интервал «среднее плюс-минус $\sigma$» занижает верхний хвост. Можно сообщить, чисто как иллюстрацию метода, что подставной прогон даёт среднее значение выхода с разбросом, скажем, порядка от десяти до двадцати процентов от среднего, сужающимся по мере снижения входных неопределённостей. Такие цифры условны и стоят лишь для того, чтобы показать форму результата; их нужно заново выводить для любой реальной системы и никогда не цитировать так, будто они экспериментальные измерения. Ширина этого выходного распределения — величина, наиболее релевантная честной отчётности, и её интерпретация как стандартного отклонения прямо связана со статистическим обсуждением в анализе сигмы.

Сходимость и надёжность оценки

Результат Монте-Карло несёт собственную погрешность, и эта погрешность должна быть показана достаточно малой. Стандартная практика — отслеживать текущую оценку по мере роста $N$ и подтвердить, что и среднее, и его статистическая ошибка стабилизировались; график текущего среднего, который выровнялся, вместе с погрешностью, которая сжалась ниже допуска отчётности, — практический критерий остановки. Поскольку статистическая ошибка падает лишь как $1/\sqrt{N}$, уменьшение её вдвое требует учетверения числа выборок, так что техники снижения дисперсии выше обычно необходимы для эффективности, а не опциональны. Перекрёстная проверка среднего Монте-Карло против сошедшейся детерминированной квадратуры на тех же фиксированных входах — ценный тест согласованности: два метода должны согласовываться в пределах их совокупных ошибок, а расхождение более чем на пару стандартных ошибок сигнализирует об ошибке в одном из них — несовпавшей области, выпавшем якобиане или распределении выборки, которое никогда не посещает часть области. Качество псевдослучайного потока тоже важно; плохой генератор вводит корреляции, нарушающие предположение независимости, стоящее за законом $1/\sqrt{N}$.

Что валидация устанавливает и чего нет

Важно быть точным в том, что эта процедура валидирует. Валидация Монте-Карло устанавливает, что интеграл вычислен правильно и что входные неопределённости перенесены верно. Она сама по себе не устанавливает, что входные модели физически корректны. Если предполагаемый спектр потока, сечение или механизм передачи импульса неверны, вычисление верно перенесёт неверное предположение в уверенно заявленный, но неправильный выход — знакомый провал «мусор на входе — мусор на выходе», наряженный в точно выглядящую погрешность. Поэтому валидация численных методов необходима, но недостаточна; физические входы должны валидироваться отдельно измерением. Там, где предполагаемый вход — например спекулятивный механизм $\Delta p$ — не подтверждён, получающееся выходное распределение следует представлять как условное относительно этого предположения и помечать соответственно. Это также причина, по которой статистический разброс, произведённый здесь, никогда нельзя читать как значимость экспериментального открытия: узкое выходное распределение удостоверяет, что модель внутренне согласована при своих предположениях, а не что предположения соответствуют миру. Соотношение между статистическим разбросом, вычисленным здесь, и нотацией сечения распутано в анализе сигмы.

Дополнительное чтение

• Metropolis, N., & Ulam, S. (1949). “The Monte Carlo Method.” Journal of the American Statistical Association, 44(247), 335–341 — основополагающая работа метода.
• Robert, C. P., & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer — всеобъемлющее современное изложение оценок, снижения дисперсии и сходимости.
• Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing (3rd ed.). Cambridge University Press — практические главы об интегрировании Монте-Карло и выборке по значимости.