Uniform Maximum Projection Designs for Computer Experiments

Título: Projetos de Máxima Projeção Uniforme para Experimentos Computacionais

Autores: Miroslav Vořechovský e Jan Mašek (Instituto de Mecânica Estrutural, Universidade Tecnológica de Brno, República Tcheca).

1. O Problema

Em experimentos computacionais (como modelagem de engenharia e análise de incertezas), é comum utilizar designs de espaço preenchido (space-filling designs) para explorar o domínio de entrada com um número limitado de avaliações de modelos caros.

• Limitações dos Métodos Atuais:
  • Designs baseados em distância (como Maximin ou Minimax) garantem preenchimento global, mas não necessariamente uniformidade em projeções de baixa dimensão.
  • Amostragem de Hipercubo Latino (LHS) garante uniformidade unidimensional, mas não em subespaços multidimensionais.
  • O Problema do MaxPro: O critério de Máxima Projeção (MaxPro), proposto por Joseph et al. (2015), foi criado para melhorar a uniformidade em subespaços de baixa dimensão, maximizando o produto das distâncias entre pares de pontos em todas as coordenadas. No entanto, o artigo demonstra que o MaxPro padrão, ao utilizar a distância euclidiana padrão, introduz distorções sistemáticas de densidade em domínios limitados.
• Consequências: O MaxPro padrão tende a subamostrar as regiões dos cantos do domínio e superamostrar as regiões afastadas das bordas. Isso viola a uniformidade estatística, resultando em estimativas de Monte Carlo viesadas (com erro sistemático) e reduzindo a eficácia em aplicações de integração numérica e modelagem de substituição (surrogate modeling).

2. Metodologia

Os autores propõem uma modificação no critério MaxPro para corrigir o viés nas bordas, introduzindo o critério Uniform Maximum Projection (uMaxPro).

• Mudança de Métrica: A principal inovação é a substituição da distância euclidiana direta por uma distância periódica, baseada na convenção da "imagem mínima" (minimum image convention).
  • Em vez de calcular a distância direta entre dois pontos $i$ e $j$, a distância em cada dimensão $v$ é calculada como:
    $$\Delta_{ij,v} = \min(|x_{i,v} - x_{j,v}|, 1 - |x_{i,v} - x_{j,v}|)$$
  • Isso trata o domínio unitário como um toro (sem bordas), onde a distância entre um ponto próximo a 1 e outro próximo a 0 é pequena.
• Critério uMaxPro: O novo critério minimiza a média harmônica dos produtos das distâncias periódicas ao quadrado entre todos os pares de pontos, mantendo a estrutura de projeção do MaxPro original.
• Algoritmo de Construção:
  • Os designs são restritos à classe de Hipercubos Latinos (LHS) para garantir estratificação marginal.
  • Utiliza-se um algoritmo de Recozimento Simulado (Simulated Annealing - SA) com movimentos de troca de coordenadas (coordinate-swap) para otimizar o critério uMaxPro.
  • A implementação é disponibilizada como um pacote Python de código aberto (uMaxPro).

3. Contribuições Principais

1. Identificação de Viés: Demonstração empírica e teórica de que o critério MaxPro original falha em garantir uniformidade estatística (probabilística), levando a subamostragem sistemática de cantos em domínios de alta dimensão.
2. Novo Critério (uMaxPro): Introdução de uma variante periódica que elimina o viés de borda, garantindo que a distribuição de pontos gerada seja estatisticamente uniforme (cada região do domínio é visitada com probabilidade proporcional ao seu volume).
3. Preservação de Propriedades: O uMaxPro mantém as excelentes propriedades de preenchimento de subespaços do MaxPro original, mas adiciona a garantia de estimativas não viesadas.
4. Recursos Reprodutíveis: Fornecimento de algoritmos de construção, implementação de código aberto e designs otimizados reprodutíveis.

4. Resultados

Os autores realizaram extensos estudos numéricos e aplicações de engenharia:

• Uniformidade Estatística: Histogramas de frequência mostram que, enquanto o MaxPro original deixa "vazios" nos cantos, o uMaxPro distribui os pontos uniformemente por todo o domínio, incluindo as bordas.
• Discrepância (Discrepancy): O uMaxPro mantém valores de discrepância (medida de uniformidade geométrica) comparáveis ao MaxPro original e ao Sequência de Halton (considerada quase ótima), mesmo em dimensões mais altas (2D a 5D).
• Integração de Monte Carlo:
  • Em funções com interações fortes entre variáveis, o uMaxPro fornece estimativas não viesadas com variância reduzida.
  • O erro quadrático médio (RMSE) do uMaxPro decai mais rapidamente e atinge valores menores do que o MaxPro original e a Sequência de Halton em várias dimensões.
• Projeção em Subespaços: Ao projetar designs de alta dimensão para subespaços de menor dimensão (cenário comum quando fatores ativos são desconhecidos), o uMaxPro supera significativamente o MaxPro original e o LHS aleatório, mantendo a qualidade da amostragem.
• Aplicações de Engenharia:
  • Coluna Curta e Viga em Consola: Em problemas de mecânica estrutural com modelos de substituição (Gaussian Process/Kriging), o uMaxPro resultou em menores erros de previsão (RMSE) em comparação com outros métodos.
  • Modelo de Elementos Finitos de Concreto (Escala Meso): Em um modelo complexo de concreto com heterogeneidade material, o uMaxPro demonstrou maior precisão na estimativa de percentis de tensão máxima, especialmente com tamanhos de amostra pequenos (comuns em engenharia devido ao custo computacional).

5. Significância

O artigo resolve uma lacuna metodológica crítica no design de experimentos computacionais.

• Robustez: O uMaxPro torna os designs de projeção máxima robustos para aplicações que exigem tanto modelagem de funções quanto integração numérica não viesada.
• Eficiência: Permite obter estimativas precisas com menos amostras em problemas de alta dimensão onde a esparsidade (apenas algumas variáveis são ativas) é uma suposição comum.
• Aplicabilidade Prática: A correção do viés de borda é fundamental para problemas de engenharia real, onde a ignorância sobre quais variáveis são ativas exige que o design seja uniforme em todos os subespaços possíveis, incluindo os cantos do domínio.

Em resumo, o uMaxPro oferece uma melhoria simples, computacionalmente eficiente e estatisticamente rigorosa sobre o método MaxPro existente, tornando-o uma ferramenta superior para experimentos computacionais modernos.