Onzekerheidskwantificering (UQ) is een statistische techniek om veel complexe fenomenen zoals weersomstandigheden en tsunami-risico's te voorspellen. Het omvat de combinatie van real-life gegevens (bijv. weersmetingen) samen met wiskundige vergelijkingen om fysieke systemen te modelleren die goed worden begrepen. Deze complexe modellen worden meestal geassocieerd met ofwel hoogdimensionale objecten, grote datasets of mogelijk beide. In dergelijke scenario's, het is belangrijk dat de vereiste computationele methodologie om dergelijke modellen te schatten efficiënt is met hulpbronnen. Prof. Ajay JASRA van de afdeling Statistiek en Toegepaste Kansrekening, NUS en zijn medewerkers hebben een efficiëntere aanpak voorgesteld om UQ-berekeningen uit te voeren.

Voor UQ-problemen, de Monte Carlo-methode stelt de gebruiker in staat om op een efficiënte manier hoeveelheden van belang numeriek te benaderen. Hoewel er een verbeterde versie is, bekend als de Multilevel Monte Carlo (MLMC) methode, het is een uitdaging om het te gebruiken voor UQ-problemen. MLMC-methoden, voor UQ-problemen in verband met gegevens is niet triviaal om toe te passen. Dit komt omdat het benaderen van de bijbehorende kansverdeling, die nodig is om de MLMC-methode te laten werken, is niet altijd mogelijk met onafhankelijke simulatie. In hun recente krant Prof Jasra en zijn medewerkers hebben een nieuwe aanpak ontwikkeld waarmee MLMC UQ-problemen kan aanpakken zonder afbreuk te doen aan een hoge nauwkeurigheid en met minder rekenkracht.

In de toekomst, de onderzoekers zijn van plan hun statistische methoden uit te breiden om een ​​groter aantal problemen aan te pakken. De statistische methoden zullen ook de Monte Carlo-methode met meerdere indexen bevatten, een methode die minder rekenintensief is en dezelfde nauwkeurigheid heeft als MLMC.

Prof Jasra zei:"De ideeën in dit werk kunnen helpen om de klasse van modellen die worden gebruikt voor het kwantificeren van onzekerheidsproblemen te verbreden, zoals voor weersvoorspelling."