validation

蒙特卡洛验证

P(t) 主公式的随机求值:抽样通量与参数分布、估计积分,以及传播不确定度。

最后更新: 2026-07-20

数值模拟中所述的确定性求积,是针对单一固定输入集求值 Schubart Master Formula。但一次真实求值的输入——通量谱、截面和材料参数——本身就是不确定的,而输入上的一个分布会产生输出上的一个分布。蒙特卡洛方法是处理这一点的天然工具:它们以随机抽样估计积分,同时把输入不确定度传播为 $P(t)$ 上的不确定度。本章一般性地描述该方法学;所用数字是说明性的占位值,绝不作为测得结果声称。

积分的蒙特卡洛估计

双重积分可以用统计方式估计,而非用固定网格。从积分域上一个选定的抽样分布中抽取 $N$ 个样本点 $(E_k,\theta_k)$ ,在每一点求值被积函数 $f(E,\theta,t)$ ,并形成一个加权平均。对于测度为 $V$ 的域上的均匀抽样,估计量为

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

它是无偏的:对任意 $N$ ,其期望都等于精确积分。随 $N$ 改善的不是偏差,而是方差。若 $\text{Var}[f]$ 记被积函数在抽样分布上的方差,则估计量的标准误差为

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

即那种特征性的 $1/\sqrt{N}$ 标度,它是蒙特卡洛积分的标志——也是其代价。这种收敛很慢:把误差降到十分之一需要样本增加百倍。然而,关键在于,这个指数与域的维数无关,这正是当被积函数高维或形状别扭时蒙特卡洛超越张量网格求积的原因,也是它能优雅地处理尖锐成峰之域的原因。

方差缩减

因为误差由 $\text{Var}[f]/N$ 支配,同样的精度既可以靠提高 $N$ 买到,也可以靠降低估计量的有效方差买到——而后者通常便宜得多。重要性抽样以一个集中于被积函数大处(例如 $\Phi$ 与 $\sigma(E)$ 重叠峰附近)的分布 $g$ 取代均匀抽取,并以 $f/g$ 对每个样本重新加权。当 $g$ 选得好时,重新加权的被积函数近乎常数,其方差坍缩,使一个适中的 $N$ 就能达成否则需要多出数量级的均匀样本才能达成的效果。分层抽样把域分成若干子区域,并按各自的贡献比例抽样,保证覆盖重要区域并消除困扰纯随机抽取的聚集。控制变量减去一个积分已知的相关量,抵消大部分方差。这些是蒙特卡洛文献中编目的经典技术,而其中至少一种,通常对于使主公式的一次求值从仅仅可能变为切实可行是必不可少的。

抽样输入分布

蒙特卡洛在本框架中的独特用途,不仅是求值积分,而是传播不确定度。每个不确定的输入都由一个概率分布描述:通量 $\Phi$ 可以围绕一个测得的平均谱按一个假定的散布抽样;截面 $\sigma(E)$ 可以在其测量误差棒内抽样;而 $\Delta p$ 、 $v_{\text{ph}}$ 和 $\eta_{\text{conv}}$ 可以各自从反映其已知程度的分布中抽取。该程序有一个外层循环和一个内层循环。在外层循环中,从联合分布中抽取一整套输入值——尊重它们之间的任何相关性,因为把相关输入当作独立处理会严重误述输出散布。在内层循环中,针对那套固定输入求值积分,用求积或用嵌套的蒙特卡洛积分。于是每次外层抽取给出 $P(t)$ 的一个实现,而多次重复外层循环产生一个输出系综,其散布反映了组合后的输入不确定度。这种嵌套结构是前向不确定度传播的精髓,它远比单一的确定性数字更有信息量。

解读输出分布

随后,对 $P(t)$ 值的系综加以汇总。其均值估计期望输出;其标准差量化不确定度;其百分位给出置信区间。百分位值得与标准差一并报告,因为输出分布通常不是高斯的——主公式是各因子之积,而正随机变量之积趋于偏斜、长尾的分布,对此,一个对称的均值加减 $\sigma$ 区间会低估上尾。人们或可报告,纯粹作为方法的说明,一次占位运行给出一个平均输出,其散布譬如为均值的十到二十个百分点量级,并随输入不确定度减小而收窄。此类数字是名义上的,仅为展示结果的形式而立;对任何真实系统都必须重新导出,且绝不可当作实验测量引用。这个输出分布的宽度是与诚实报告最相关的量,而将其解读为标准差直接联系到σ 分析中的统计讨论。

估计的收敛与可靠性

一个蒙特卡洛结果带有它自己的误差棒,而必须表明该误差小到足够。标准做法是在 $N$ 增加时监测运行中的估计,并确认均值及其统计误差都已稳定;一张已变平的运行均值图,连同一条已缩到报告容差之下的误差棒,就是实际的停止判据。因为统计误差只按 $1/\sqrt{N}$ 下降,把它减半需要样本数增至四倍,故上述方差缩减技术通常对效率是必不可少的,而非可有可无。把蒙特卡洛均值与同一固定输入上一个已收敛的确定性求积交叉核对,是一项有价值的一致性检验:两种方法应在其合并误差内一致,超过几个标准误差的不一致意味着其中之一有缺陷——域不匹配、漏掉的雅可比因子,或一个从不访问域中某部分的抽样分布。伪随机流的质量也要紧;一个差的生成器会引入违反 $1/\sqrt{N}$ 律背后独立性假设的相关性。

验证确立了什么、未确立什么

必须精确说明这一程序验证了什么。蒙特卡洛验证确立了积分已被正确求值,以及输入不确定度已被忠实传播。它本身并不确立输入模型在物理上正确。若所假定的通量谱、截面或动量转移机制是错的,计算会忠实地把一个错误假设传播为一个被自信陈述却不正确的输出——即那熟悉的”垃圾进、垃圾出”的失败,只不过披着一条看似精确的误差棒。因此,数值的验证是必要而非充分的;物理输入必须另行由测量来验证。凡一个被提出的输入——例如一个推测性的 $\Delta p$ 机制——尚未得到确认之处,所得输出分布就应作为以该假设为条件来呈现,并相应标注。这也是此处所产生的统计散布绝不可被读作实验发现显著性的原因:一个紧致的输出分布证明的是模型在其假设下内部自洽,而非假设与世界相符。此处所算统计散布与截面记号之间的关系在σ 分析中被理清。