A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

技術要約：空気力学的不確実性定量化のためのベイズ潜在ガウス過程フレームワーク

問題提起
空気力学的性能（揚力、抗力、およびモーメント係数）の予測は、計算モデルに内在するバイアスと、高忠実度な直接シミュレーションに伴う膨大なコストによって困難となっている。実用的な解決策は、低忠実度の計算予測を、疎な実験測定値に対して較正することである。しかし、この較正は、制御入力（迎角、フラップ角、レイノルズ数など）および測定された空気力学的応答の両方に存在する不確実性によって複雑化される。これらの不確率は、正確な値ではなく、区間として表現されるエピステミック（認識論的）不確実性であることが多い。本研究が取り組む具体的な課題は、第2回AIAA不確実性定量化（UQ）チャレンジ・エアロダイナミクス問題である。参加者には、7つの動作条件下における、入力および出力のエピステミック不確実性境界を含む疎な「真値」データが提供される。参加者は、これらを用いて、4つの未知の動作条件における空気力学係数の不確実性を予測しなければならない。

手法
著者らは、ガウス過程（GP）回帰、潜在変数モデリング、および分布較正を統合した、3ステップのベイズ・サロゲート・フレームワークを提案している。

1. 低忠実度サロゲートの構築: 軽量な空気力学解析ツールであるXFOILから生成された100個のラテン超立方体サンプルに基づき、GPサロゲートモデル（$f_X$）を学習させる。このモデルは、迎角、フラップ角、およびレイノルズ数の関数としての空気力学係数の低忠実度応答を近似する。
2. 入力不確実性のためのベイズ潜在GP: 真の物理的入力が既知ではなく、それぞれの区間内に存在するという事実に対処するため、著者らは「潜在GP」アプローチを採用している。真の入力（$\tilde{x}_i$）を、名目上の重心に固定するのではなく、それぞれの区間（$U_i$）内に制約された潜在変数として扱う。最適化の際にボックス制約を扱うためにロジスティック再パラメータ化を利用しながら、真の入力の最も可能性の高い位置を推定するために最大事後確率（MAP）推定を行う。
3. 分布較正（制約付きKennedy-O'Hagan）: XFOILサロゲートと真値データの間の不一致をモデル化するために、第2のGP（$\delta$）を、Kennedy-O'Hagan（KOH）フレームワークに従って導入する。標準的なKOHの実装は、真値の平均（重心）のみを一致させるが、本研究では分布較正ステップを導入している。真値の区間は95%ガウス信頼区間として扱われる。不一致GPは、合成モデル（$g = f_X + \delta$）が真値の重心だけでなく、真値の区間幅によって示唆される周辺分散とも一致するように較正される。これにより、較正点における事後予測分布が、提供されたエピステミック境界と一致する平均および分散を持つことが保証される。
4. 不確実性の伝播: 不確実な入力区間を持つ4つの未知の予測点に対し、較正されたGPを通じて不確実性を伝播させる。これは、入力の不確実性についてモンテカルロ・サンプリングを用いて周辺化することで行われ、係数の経験的な確率密度関数（PDF）および累積分布関数（CDF）を生成する。

主な貢献
本論文は、以下の4つの主要な貢献を述べている。

• 加法的な補正モデル: 一方のGPがXFOILの応答を表し、第2のGPが加法的な不一致を表す、KOHスタイルのモデルの構築。
• 潜在入力定式化: エピステミックな入力区間を潜在入力GPを通じて統合することにより、真の較正入力を、固定された重心として仮定するのではなく、規定された境界内で推論することを可能にした。
• 分布較正: 単純な平均補正を超えて、提供された真値の区間を使用して、補正されたGPの事後平均および周辺予測分散の両方を制約する、新しい較正ステップ。
• 検証と再現性: 真の不確実性推定に対する提案手法の予測UQ能力のデモンストレーション、およびソフトウェア実装の公開。

結果
較正されたサロゲートモデルは、保持されていた4つの予測点に対して検証された。結果は、95%信頼境界として提供された「真値」の区間と比較された。

• 分布較正の性能: 提案された分布較正モデルは、高い精度を示した。4つのすべての予測地点および3つの空気力学係数（$C_l, C_d, C_m$）において、モデルは放出された95%の真値区間内に、予測サンプルの**94.2%から95.8%**を配置した。さらに、区間の端点における累積確率は、公称の0.025および0.975レベルに非常に近かった。
• 第1モーメント較正との比較: 第1モーメント（重心）のみを用いた較正を行うベースラインのアプローチは、著しく劣る結果となった。これらのモデルは、分布がシフトしていたり、過度に集中していたり、あるいはその両方であった。真値の区間に含まれるサンプルの割合は11%から100%まで激しく変動しており、エピステミック不確実性を一様に捉えることに失敗していることを示している。
• 外挿: 本手法は、較正データが予測位置から最も遠い最も外挿的な動作点（$\alpha = 7^\circ, \beta_{flap} = 15^\circ$）においても、堅牢な性能を維持した。

意義と主張
著者らは、本研究の主要な意義は、真値の中心を一致させることが信頼できる空気力学的不確実性定量化には不十分であることを示す点にあると主張している。「分布較正」ステップは、エピステミック不確実性を正しく伝播させるために不可欠であり、較正されたモデルが期待値だけでなく、不確実性の大きさをも反映することを保証する。真値の区間を完全な予測分布への制約として扱うことで、本フレームワークは、疎なデータ領域や外挿の設定においても、提供されたデータと統計的に一致する不確実性境界を生み出す。本研究は、このアプローチが、航空機の設計および認証における信頼できるシミュレーションベースの予測のための厳格な基礎を提供することを示唆している。