Osäkerhetskvantifiering (UQ) är en statistisk teknik för att förutsäga många komplexa fenomen som väderförhållanden och tsunamirisker. Det innebär en kombination av verkliga data (t.ex. vädermätningar) tillsammans med matematiska ekvationer för att modellera fysiska system som är väl förstådda. Dessa komplexa modeller är vanligtvis associerade med antingen högdimensionella objekt, stora datamängder eller möjligen båda. I sådana scenarier, Det är viktigt att den beräknade beräkningsmetodiken för att uppskatta sådana modeller är resurseffektiv. Prof Ajay JASRA från Institutionen för statistik och tillämpad sannolikhet, NUS och hans medarbetare har föreslagit ett mer effektivt tillvägagångssätt för att utföra UQ -beräkningar.

För UQ -problem, Monte Carlo -metoden gör det möjligt för användaren att numeriskt uppskatta mängder intresse på ett effektivt sätt. Även om det finns en förbättrad version, känd som Multilevel Monte Carlo (MLMC) -metoden, det är utmanande att använda det för UQ -problem. MLMC -metoder, för UQ-problem i samband med data är icke-trivialt att använda. Detta beror på att approximationen av den tillhörande sannolikhetsfördelningen, som behövs för att MLMC -metoden ska fungera är inte alltid möjligt med oberoende simulering. I deras senaste tidning, Prof Jasra och hans medarbetare har utvecklat ett nytt tillvägagångssätt som gör att MLMC kan hantera UQ -problem utan att kompromissa med en hög noggrannhet samtidigt som de använder mindre beräkningsresurser.

I framtiden, forskarna planerar att utöka sina statistiska metoder för att hantera ett större antal problem. De statistiska metoderna kommer också att innehålla multi-index Monte Carlo-metoden som är en mindre beräkningskrävande metod med samma noggrannhet som MLMC.

Prof Jasra sa:"Idéerna i detta arbete kan hjälpa till att bredda klassen av modeller som används för osäkerhetskvantifieringsproblem, till exempel för väderprognoser. "