Shrinkage-Constrained Functional Calibration for Complex Computer Models

技術要約：複雑なコンピュータモデルのための収縮制約付き関数的キャリブレーション

問題提起
本論文は、ベイズ推論の枠組み（特にKennedyおよびO'HaganによるKOHの手法）における、不完全なコンピュータモデルのキャリブレーションに内在する課題に対処している。標準的なKOHアプローチでは、キャリブレーション・パラメータ（$\theta$）を、弱い事前制約を持つ既知ではない分布として扱い、加法的な不一致ガウス過程（GP）である$\delta_\eta(x)$と共同で推論する。著者らは、この定式化が「混同による病理（confounding pathologies）」、特に疎なデータやノイズの多いデータに適用される際に生じる問題に苦しんでいると主張している。このようなシナリオでは、$\theta$に対する強い制約の欠如により、尤度が事後分布を支配してしまい、偏差が「誤ったパラメータ値」によるものなのか、あるいは「構造的なモデルの不備（モデル形式誤差）」によるものなのかを区別できなくなる。この識別性の問題は、モデル・シミュレータがパラメータに対して敏感な場合に悪化し、$\theta$と$\delta_\eta$の複数の組み合わせがデータを等しく適合させてしまうことを許容してしまう。

手法：完全な不確実性を伴う統合バイアス（IBFU）
著者らは、**完全な不確実性を伴う統合バイアス（Integrated Bias with Full Uncertainty: IBFU）**と称される新しい定式化を提案している。このアプローチは、各パラメータを固定された専門家由来の「最良推定値（$\theta_0$）」に固定し、このアンカーからの偏差を関数的な補正としてモデル化することで、パラメータ・キャリブレーションを再構築するものである。

主要な手法構成要素は以下の通りである：

1. パラメータ分解： $\theta$をグローバルな未知数として扱う代わりに、IBFUは有効なキャリブレーション・パラメータを $\theta^* = \theta_0 + \kappa(x)$ と表現する。ここで、$\kappa(x)$ は入力空間上のガウス過程としてモデル化されたパラメータ補正場である。
2. 収縮事前分布（Shrinkage Priors）： $\kappa(x)$ を制御するGPのハイパーパラメータに強力な収縮事前分布を適用することが核心的な革新である。これらの事前分布はゼロからの偏差にペナルティを課し、データが入力依存の変動を示す強い証拠を提供しない限り、平均パラメータ補正が平坦（$\theta_0$に収束）であり続けるよう強制する。これにより、本手法は、$\kappa$が定数である標準的なKOHを特殊なケースとして包含しつつ、入力依存のキャリブレーションへと拡張することを可能にする。
3. 加法的不一致： パラメータ補正を通じて解決できないモデルの不備を捉えるために、残差としての加法的不一致項 $\delta_\eta(x)$ が保持される。
4. 直交制約： パラメータ補正 $\kappa(x)$ と加法的不一致 $\delta_\eta(x)$ の間の混同を軽減するため、著者らは直交制約を課している。シミュレータの感度に関するヤコビ行列を用いて、加法的不一致をパラメータ感度の直交部分空間へと投影する。これにより、$\delta_\eta(x)$ が、パラメータの調整によって説明可能なエラーのみを捉えることが保証される。
5. 推論アルゴリズム： 本手法は、変換された不一致場、ノイズ分散、およびGPハイパーパラメータを共同で推論するために、MCMCアルゴリズム（具体的にはメトロポリス・ヘイスティングス法およびギブス・サンプリング）を利用する。

主な貢献

• 新しい定式化： パラメータを最良推定値に固定し、収縮事前分布を介して制御されたデータ駆動型の関数的補正を可能にするIBFUの導入。
• 識別性の正則化： 階層的な収縮事前分布の使用は、モデル形式誤差がパラメータ補正に（あるいはその逆に）「吸収」されるのを防ぐ正則化として機能し、これは標準的なKOHキャリブレーションにおける一般的な失敗モードである。
• 直交化： 感度に基づく直交投影の実装により、パラメータ補正と加法的なモデル不一致を構造的に分離する。
• 柔軟性： 本フレームワークは、データから提供される証拠に応じて、定数パラメータ（KOHのような挙動への回帰）と状態依存パラメータの両方を扱うことができる汎用的な設計となっている。

結果
論文では、2つの合成研究と1つの実世界の応用を用いて、IBFUを標準的なKOHおよび（加法的不一致項を欠いた）簡略化された統合バイアス（IB）手法と比較評価している。

1. 合成研究1（定数パラメータ）： 真のパラメータが一定であるシナリオにおいて、IBFUは不確実性の範囲内で真の値を正常に回収した。対照的に、標準的なKOH法は過学習を示し、事後分布の精度と正確性が欠如しており、加法的不一致がパラメータのミスマッチを吸収してしまった。
2. 合成研究2（関数的パラメータ）： 真のパラメータがドメイン全体で変化するシナリオにおいて、IBFUはパラメータ補正の関数的形態を正常に学習した。IB法は、モデルの不備が存在するもののそれがパラメータのシフトでは説明できない領域において失敗した。一方、KOHはパラメータの関数的な性質を捉えることができず、ノイズの多い事後分布となった。
3. 実世界への応用（結晶塑性）： 本手法は、分子動力学（MD）シミュレーションデータに対して連続体離散転位動力学（DDD）モデルをキャリブレーションするために適用された。結果は、IBFUがパラメータ補正（特にせん断弾性率に関連するもの）と加法的不一致を区別できることを示している。分析によれば、本モデルは主にパラメータ補正を通じて観測データを再現できており、加法的不一致はゼロ付近に留まっている。これは、エラーの発生源を正しく帰属させる本手法の能力を検証している。

意義と主張
著者らは、IBFUがより堅牢で物理的根拠に基づいたモデル・キャリブレーションを提供するものであると主張している。パラメータを信頼できる最良推定値に固定し、収縮事前分布を用いて偏差を正則化することにより、本手法は専門家の知識を保持しつつ、データから学習する柔軟性を維持する。本論文は、このアプローチが、パラメータ・キャリブレーションと不一致バイアス補正の間の混同を効果的に緩和すると主張している。著者らは、識別性の問題が完全に排除されたわけではないことを認めつつも、IBFUがKOHを特殊なケースとして内包する「厳密に制約された」かつ「より普遍的な」フレームワークを提供することで、既存の手法よりも大幅な改善を実現していると述べている。本手法は、信頼できる最良推定値を持つ一方で、未解決の物理現象やモデルの不備によって有効なパラメータが変動する可能性がある複雑なモデルにおいて、特に価値が高い。