{"id":891,"date":"2026-07-30T12:23:21","date_gmt":"2026-07-30T12:23:21","guid":{"rendered":"https:\/\/matforge.org\/?p=891","raw":"https:\/\/matforge.org\/?p=891"},"modified":"2026-07-30T12:23:21","modified_gmt":"2026-07-30T12:23:21","slug":"polynomial-chaos-expansions-surrogate-methods","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/","title":{"rendered":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung","raw":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 11<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Die Polynom-Chaos-Expansion ist eine Surrogat-Modellierungstechnik, die eine teure Simulation durch eine Reihe orthogonaler Polynome ersetzt, deren Koeffizienten verwendet werden k\u00f6nnen, um die Unsicherheit direkt zu sch\u00e4tzen. Einmal angepasst, bietet Ihnen ein PCE-Surrogat analytische Zugriff auf Ausgabemittel, Abweichungen, Konfidenzintervalle und SOBOL-Sensitivit\u00e4tsindizes, ohne eine einzige zus\u00e4tzliche Simulation durchzuf\u00fchren.<\/p>\n<p>Dieser Artikel behandelt PCE von der theoretischen Grundlage bis zur praktischen Umsetzung. Sie werden genau sehen, wie Polynombasen ausgew\u00e4hlt werden, wie Koeffizienten durch Regression, Quadratur oder Projektion gesch\u00e4tzt werden, wie sp\u00e4rliche Techniken PCE auf m\u00e4\u00dfige Dimensionen erweitern und welche Ausfallmodi die Standard-PCE brechen. Die eingeschlossenen Python-Beispiele verwenden Chaospy, Uqpy und Scikit-Learn, um vollst\u00e4ndige, validierte Workflows anzuzeigen.<\/p>\n<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li><strong>PCE ersetzt zuf\u00e4llige Stichproben durch deterministische Approximation<\/strong>: Anstatt Tausende von Monte-Carlo-Proben zu zeichnen, passt PCE ein Polynom an die Modellantwort an. Die Polynomkoeffizienten liefern dann analytische Momente und Sensitivit\u00e4tsindizes.<\/li>\n<li><strong>Die Polynombasis muss mit der Eingabeverteilung \u00fcbereinstimmen: <\/strong>: Legendre f\u00fcr Uniform, Hermite f\u00fcr Gaussian, Laguerre f\u00fcr Exponential. Eine nicht \u00fcbereinstimmende Basis zerst\u00f6rt die Orthogonalit\u00e4t und macht alle Koeffizientensch\u00e4tzungen ung\u00fcltig.<\/li>\n<li><strong>Nicht-intrusive PCE ist die Standardwahl f\u00fcr die meisten Workflows<\/strong>: Sie behalten Ihren Simulator als Black Box, bewerten ihn an Trainingspunkten und sch\u00e4tzen die Koeffizienten \u00fcber Regression. Dies vermeidet das \u00c4ndern von Solver-Gleichungen.<\/li>\n<li><strong>Sp\u00e4rliche PCE-Methoden verarbeiten ~50 Parameter<\/strong>: Hyperbolische K\u00fcrzungen, Lasso- und Smolyak-Gitter reduzieren die Gr\u00f6\u00dfe der Polynombasis dramatisch. Sie funktionieren, wenn die Modellantwort dominante Wechselwirkungen niedriger Ordnung aufweist, aber die Sparsity-Annahme muss \u00fcberpr\u00fcft werden.<\/li>\n<li><strong>PCE ist nicht universell<\/strong>: Diskontinuierliche Antworten, Schwellenereignisse, Kontakt\u00e4nderungen und L\u00f6serfehler f\u00fchren zu nicht-physikalischen Schwingungen (das Gibbs-Ph\u00e4nomen). Wenn die Antwort diskontinuierlich ist, verwenden Sie Multielement-PCE, rationales Polynom-Chaos oder einen hybriden Ersatz.<\/li>\n<\/ul>\n<h2>Funktionsweise der Polynom-Chaos-Erweiterung<\/h2>\n<p>Die Polynom-Chaos-Expansion repr\u00e4sentiert eine Modellausgabe als gewichtete Summe von orthogonalen Polynomen. Betrachten Sie eine skalare Ausgabe y, die von einem Eingabevektor X abh\u00e4ngt:<\/p>\n<pre><code>Y = M(X)\n<\/code><\/pre>\n<p>Die PCE-N\u00e4herung ersetzt m(x) durch ein Polynom:<\/p>\n<pre><code>Y(X) \u2248 \u03a3 c\u2096 \u03a8\u2096(X)\n<\/code><\/pre>\n<p>Hierbei sind \u03c8\u2096 multivariate orthogonale Polynome und C\u2096 deterministische Koeffizienten. Der Satz von Polynomen muss in Bezug auf die Eingangswahrscheinlichkeitsverteilung orthogonal sein, und die Koeffizienten werden durch das gew\u00e4hlte Sch\u00e4tzverfahren bestimmt.<\/p>\n<h3>Orthogonale Polynome und Verteilungsabgleich<\/h3>\n<p>Die Polynomfamilie ist direkt an die Eingabeverteilung gebunden. Dies ist keine Designwahl &#8211; es ist eine mathematische Voraussetzung f\u00fcr die Orthogonalit\u00e4t.<\/p>\n<table>\n<thead>\n<tr>\n<th>Verteilung<\/th>\n<th>Orthogonales Polynom<\/th>\n<th>Normalisierung<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Uniform [-1, 1]<\/td>\n<td>Legende<\/td>\n<td>P\u2099(\u03be) = (1\/N!)\u00b7D\u207f\/D\u03be\u207f[(\u03be\u00b2-1)\u207f]<\/td>\n<\/tr>\n<tr>\n<td>Standardnormal N(0,1)<\/td>\n<td>Hermite<\/td>\n<td>H\u2099(\u03be) = (-1)\u207f\u00b7E<sup>(\u03be\u00b2\/2)\u00b7d\u207f\/d\u03be\u207f[e<\/sup>(-\u03be\u00b2\/2)]<\/td>\n<\/tr>\n<tr>\n<td>Exponential \u03bb = 1<\/td>\n<td>Laguerre<\/td>\n<td>L\u2099(\u03be) = (1\/N!) \u00b7 E ^ \u03be \u00b7 D\u207f\/D\u03be\u207f[\u03be\u207f]<\/td>\n<\/tr>\n<tr>\n<td>Beta [a, b]<\/td>\n<td>Jacobi<\/td>\n<td>Verallgemeinerte Jacobi-Polynome<\/td>\n<\/tr>\n<tr>\n<td>Poisson<\/td>\n<td>Charlier<\/td>\n<td>Diskrete orthogonale Polynome<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Die Orthonormalit\u00e4tsbedingung besagt:<\/p>\n<pre><code>\u222b \u03a8\u1d62(\u03be) \u03a8\u2c7c(\u03be) w(\u03be) d\u03be = \u03b4\u1d62\u2c7c\n<\/code><\/pre>\n<p>Dabei ist w(\u03be) die Wahrscheinlichkeitsdichte der Eingangsverteilung und \u0394\u1d62\u2c7c das Kronecker-Delta. Wenn diese Bedingung gilt, beziehen sich die PCE-Koeffizienten direkt auf Ausgabestatistiken durch Parsevals Identit\u00e4t.<\/p>\n<h3>Multivariate Polynomkonstruktion<\/h3>\n<p>Wenn die Eingaben unabh\u00e4ngig sind, ist die multivariate Polynombasis ein Tensorprodukt univariater Polynome:<\/p>\n<pre><code>\u03a8\u2096(X) = \u03a0 \u03c8\u2096\u1d62(X\u1d62)\n<\/code><\/pre>\n<p>F\u00fcr eine Gesamtgradbasis der Ordnung P in d unsicheren Parametern betr\u00e4gt die Anzahl der Terme:<\/p>\n<pre><code>N = (d + p)! \/ (d! \u00b7 p!)\n<\/code><\/pre>\n<p>F\u00fcr 20 Parameter und Ordnung drei ergibt dies 1.771 Terme. Eine stabile Regression erfordert in der Regel mehr Trainingspunkte als Koeffizienten, sodass der Rechenbedarf schnell w\u00e4chst.<\/p>\n<h2>nicht aufdringlich vs. aufdringlich PCE<\/h2>\n<p>Es gibt zwei grundlegend unterschiedliche Ans\u00e4tze zum Aufbau einer PCE. Der nicht aufdringliche Ansatz behandelt den Simulator als Black Box. Der aufdringliche Ansatz formuliert die ma\u00dfgeblichen Gleichungen neu.<\/p>\n<h3>Nicht aufdringliche PCE<\/h3>\n<p>Nicht-intrusive PCE bewertet den deterministischen Simulator an ausgew\u00e4hlten Punkten im Unsicherheitsraum und passt zu einer Polynomregression. Der Workflow:<\/p>\n<ol>\n<li>W\u00e4hlen Sie eine Polynombasis aus, die mit den Eingabeverteilungen ausgerichtet ist.<\/li>\n<li>Trainingspunkte (Quadratur oder Probenahme) generieren.<\/li>\n<li>F\u00fchren Sie den Simulator an diesen Punkten aus.<\/li>\n<li>Expansionskoeffizienten sch\u00e4tzen.<\/li>\n<li>Validieren an unabh\u00e4ngigen Testpunkten.<\/li>\n<\/ol>\n<p>Dieser Ansatz f\u00fcgt keine Solver-\u00c4nderungen hinzu. Sie k\u00f6nnen ein vorhandenes CFD-, FEM-, Phasenfeld- oder molekulares Modell umwickeln und einen PCE-Surrogat erhalten, ohne einen internen Code zu \u00e4ndern.<\/p>\n<h3>Aufdringliche PCE (stochastischer Galerkin)<\/h3>\n<p>Intrusive PCE ersetzt die Polynomexpansion direkt in die ma\u00dfgeblichen Gleichungen und leitet ein gekoppeltes deterministisches System f\u00fcr die Koeffizienten ab. F\u00fcr ein einfaches Modell:<\/p>\n<pre><code>\u2202u\/\u2202t = L(u) + f \u2192 \u03a3 \u2202c\u2096\u03a8\u2096\/\u2202t = L(\u03a3 c\u2096\u03a8\u2096) + f\n<\/code><\/pre>\n<p>Nach dem Projizieren auf jede Basisfunktion l\u00f6st das gekoppelte System alle Koeffizienten gleichzeitig. Dies kann effizienter sein, da die vollst\u00e4ndige Struktur der Gleichungen verwendet wird. Es erfordert jedoch, dass der Solver ge\u00e4ndert wird, um das gekoppelte System zu handhaben. F\u00fcr die meisten Produktionsabl\u00e4ufe ist der aufdringliche Ansatz unpraktisch &#8211; der nicht-intrusive Regressionsansatz wird bevorzugt.<\/p>\n<h2>So sch\u00e4tzen Sie PCE-Koeffizienten<\/h2>\n<p>Die Koeffizientensch\u00e4tzungsmethode bestimmt sowohl die Genauigkeit als auch die Rechenkosten. Es gibt drei Hauptans\u00e4tze.<\/p>\n<h3>Regressionsbasierte Sch\u00e4tzung<\/h3>\n<p>Der nicht-intrusive Regressionsansatz ist der am weitesten verbreitete. Es sampelt Eingabepunkte, wertet das Modell aus und passt das Polynom durch lineare Regression:<\/p>\n<pre><code>y \u2248 \u03a6 c\n<\/code><\/pre>\n<p>wobei \u03c6 die polynome Bewertungsmatrix ist und y der Vektor der Modellbewertungen ist. Wenn n_samples \u2265 n_terms ist, lautet die L\u00f6sung der kleinsten Quadrate:<\/p>\n<pre><code>c = (\u03a6\u1d40\u03a6)\u207b\u00b9 \u03a6\u1d40 y\n<\/code><\/pre>\n<p>Dies ist mit den Polynomial-Funktionen von scikit-learn einfach zu implementieren:<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom sklearn.preprocessing import PolynomialFeatures\nfrom sklearn.linear_model import Ridge\n\n# Training data: N_samples \u00d7 N_inputs\nX_train = np.random.uniform(-1, 1, (100, 3))\n\n# Polynomial features up to degree 2\npoly = PolynomialFeatures(degree=2, include_bias=False)\nPhi = poly.fit_transform(X_train)  # 100 \u00d7 10 matrix\n\n# Ridge regression (regularization stabilizes coefficient estimation)\nmodel = Ridge(alpha=1e-4)\nc = model.fit(Phi, y_train).coef_\n<\/code><\/pre>\n<p>Die Regression mit Regularisierung (Ridge, Lasso) ist numerisch stabil und funktioniert gut f\u00fcr m\u00e4\u00dfige Dimensionen. Der Nachteil ist, dass die Regressionsmatrix schlecht konditioniert wird, wenn der Trainingssatz relativ zur Basisgr\u00f6\u00dfe klein ist.<\/p>\n<h3>Quadraturbasierte (Gauss-Formel) Sch\u00e4tzung<\/h3>\n<p>Wenn der Koeffizientenindex k eindimensional ist (ein einzelner Polynombegriff), kann der Koeffizient C\u2096 durch numerische Quadratur berechnet werden:<\/p>\n<pre><code>c\u2096 = \u222b M(X) \u03a8\u2096(X) w(X) dX \u2248 \u03a3\u1d62 M(X\u1d62) \u03a8\u2096(X\u1d62) w(X\u1d62) \/ ||\u03a8\u2096||\u00b2\n<\/code><\/pre>\n<p>F\u00fcr multivariate PCE werden sp\u00e4rliche Quadraturgitter ben\u00f6tigt. Dieser Ansatz ist genau, wenn das Modell ein Polynom von Grad \u2264 2p ist, aber in hohen Dimensionen unpraktisch wird, da die Quadraturgittergr\u00f6\u00dfe exponentiell w\u00e4chst.<\/p>\n<h3>Projektionsbasierte (stochastische Kollokation)<\/h3>\n<p>Stochastische Kollokation konstruiert die PCE durch Interpolation des Modells an ausgew\u00e4hlten Kollokationspunkten. Der Koeffizient f\u00fcr Term k ist:<\/p>\n<pre><code>c\u2096 = \u03a3\u1d62 M(X\u1d62) \u03a8\u2096(X\u1d62) \/ \u03a8\u2096(X\u1d62)\u00b2  (diagonal weight)\n<\/code><\/pre>\n<p>Die Kollokation vermeidet den Integrationsschritt von Quadratur und ist rechnerisch effizient, wenn sp\u00e4rliche Gitter oder adaptive Verfeinerungsstrategien verwendet werden. Es ist der bevorzugte Ansatz, wenn der Simulator billig genug ist, um an allen Quadraturpunkten zu bewerten.<\/p>\n<h2>Sp\u00e4rliche PCE-Methoden<\/h2>\n<p>Die volle Polynombasis w\u00e4chst kombinatorisch mit der Dimension. Sp\u00e4rliche PCE-Methoden reduzieren die Basisgr\u00f6\u00dfe und behalten gleichzeitig die Genauigkeit bei, wenn die Modellantwort von Wechselwirkungen niedriger Ordnung dominiert wird.<\/p>\n<h3>Hyperbolische Verk\u00fcrzung<\/h3>\n<p>Die hyperbolische Basisbeschr\u00e4nkung (HBR) mit Parameter Q &lt; 1 Limits, welche Multi-Indizes enthalten sind:<\/p>\n<pre><code>\u2211 \u03b1\u1d62^(1\/q) \u2264 p\n<\/code><\/pre>\n<p>Bei Q \u2192 1 n\u00e4hert sich der HBR der Gesamtgradgrundlage. Wenn Q \u2192 0 ann\u00e4hernd n\u00e4hert, n\u00e4hert es sich der generalisierten Pareto-Basis. Der Parameter Q steuert den Kompromiss zwischen Basisgr\u00f6\u00dfe und Genauigkeit. F\u00fcr die meisten technischen Modelle bietet q = 0,5 bis 0,7 eine gute Komprimierung bei Beibehaltung wichtiger Interaktionsterme.<\/p>\n<p>Die hyperbolische K\u00fcrzung reduziert eine 20-Parameter-Basis von 1.771 Terms auf ungef\u00e4hr 200-400 Terme, abh\u00e4ngig von q.<\/p>\n<h3>Lasso und regulierte Regression<\/h3>\n<p>Lasso (least absoluter Schrumpf- und Selektionsoperator) F\u00fchrt Regression mit einer L1-Strafe aus:<\/p>\n<pre><code>min (||\u03a6c||\u00b2 + \u03bb ||c||\u2081)\n<\/code><\/pre>\n<p>Die L1-Penalty treibt viele Koeffizienten genau auf Null an und erzeugt eine sp\u00e4rliche L\u00f6sung. Elastic Net kombiniert L1- und L2-Penalien, um korrelierte Pr\u00e4diktoren zu handhaben:<\/p>\n<pre><code>min (||\u03a6c||\u00b2 + \u03bb\u2081 ||c||\u2081 + \u03bb\u2082 ||c||\u2082\u00b2)\n<\/code><\/pre>\n<p>LASSO-basiertes SPARSE PCE wird in UQPY als <code>HyperbolicTruncLARS<\/code>  implementiert (hyperbolische Verk\u00fcrzung mit Regression des kleinsten Winkels). Der Workflow:<\/p>\n<pre><code class=\"language-python\">from uqpy.surrogates import HyperbolicTruncLARS\nfrom uqpy.distributions import MultivariateGaussian, Uniform\n\n# Define distributions\ndist = MultivariateGaussian(np.zeros(5), np.eye(5))\n\n# Generate samples and run model\nsamples = dist.sample(n=500)\ny_train = model_function(samples)\n\n# Build sparse PCE with q=0.5\npce = HyperbolicTruncLARS(distribution=dist, q=0.5, p=3)\npce.fit(samples, y_train)\n\n# Validate\nvalidation_samples = dist.sample(n=100)\ny_pred = pce.predict(validation_samples)\nrmse = np.sqrt(np.mean((y_pred - y_test)**2))\n<\/code><\/pre>\n<h3>Smolyak sp\u00e4rliche Gitter<\/h3>\n<p>Die Smolyak-Konstruktion kombiniert univariate Quadraturregeln mit der sp\u00e4rlichen Gitterformel:<\/p>\n<pre><code>Q\u2098 = \u03a3_{|k|=m} (-1)^(m-|k|) \u00b7 \u03a0\u1d62 Q_{k\u1d62}\n<\/code><\/pre>\n<p>wobei q_d der d-dimensionale Quadraturoperator ist und | k | = \u03c3 k\u1d62. Smolyak-Gitter reduzieren die Anzahl der mehrdimensionalen Punkte von exponentieller bis polynomialem Wachstum in der Dimension. Sie sind am effektivsten, wenn die Reaktion reibungslos ist und Interaktionen niedriger Ordnung dominieren.<\/p>\n<h2>Wenn PCE wirksam ist<\/h2>\n<p>PCE konvergiert exponentiell schnell f\u00fcr reibungslose Modellantworten. Die Konvergenzrate h\u00e4ngt ab von:<\/p>\n<ul>\n<li><strong>Gl\u00e4tte<\/strong>: Analytische Reaktionen konvergieren geometrisch. St\u00fcckweise glatte Reaktionen konvergieren algebraisch.<\/li>\n<li><strong>Effektive Dimension<\/strong>: Auch bei 50 Nennparametern, wenn nur 5 die Reaktion steuern, konvergiert PCE auf 5 Dimensionen.<\/li>\n<li><strong>Parameterinteraktionen<\/strong>: Starke Interaktionen h\u00f6herer Ordnung erh\u00f6hen die erforderliche Basisgr\u00f6\u00dfe.<\/li>\n<li><strong>Experimentelle Designqualit\u00e4t<\/strong>: SOBOL-Sequenzen oder sp\u00e4rliche Quadratur-Gitter schneiden besser ab als eine einheitliche Zufallsstichprobe.<\/li>\n<\/ul>\n<h3>Basiskontext<\/h3>\n<ul>\n<li>PCE bietet analytische Momente und SOBOL-Indizes ohne zus\u00e4tzliche Modellbewertungen.<\/li>\n<li>Der Regressionsansatz behandelt den Simulator als Black Box.<\/li>\n<li>Sp\u00e4rliche Methoden k\u00f6nnen PCE auf ~ 50 unsichere Parameter erweitern, wenn das Modell sp\u00e4rliche Wechselwirkungen aufweist.<\/li>\n<li>Das Python-UQ-\u00d6kosystem umfasst Chaospy, Uqpy, Salib, Smt und Unw\u00e4gbarkeit.<\/li>\n<\/ul>\n<h2>PCE gegen Kriging vs. Neuralnetze<\/h2>\n<p>PCE ist ein Ersatz unter vielen. Wenn Sie die Kompromisse verstehen, k\u00f6nnen Sie die richtige Methode f\u00fcr Ihr Problem ausw\u00e4hlen.<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimension<\/th>\n<th>Verfahren<\/th>\n<th>Daten ben\u00f6tigt<\/th>\n<th>Interpretationsf\u00e4higkeit<\/th>\n<th>Dimensionalit\u00e4t<\/th>\n<th>UQ-Extraktion<\/th>\n<th>SOBOL-Indizes<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>PCE<\/td>\n<td>Polynomregression \/ Quadratur<\/td>\n<td>n_terms \u00d7 1,5<\/td>\n<td>Hoch (Koeffizientenabweichung)<\/td>\n<td>M\u00e4\u00dfig (sp\u00e4rlich erstreckt sich bis ~50)<\/td>\n<td>Genaue analytische Momente<\/td>\n<td>Exakt (koeffiziente Gruppierung)<\/td>\n<\/tr>\n<tr>\n<td>Kriging (Gaussischer Prozess)<\/td>\n<td>Korrelationsbasierte Interpolation<\/td>\n<td>~ 10-50 \u00d7 D<\/td>\n<td>Medium (Korrelationsstruktur)<\/td>\n<td>Niedrig-Moderat (~10-30)<\/td>\n<td>Vorhersageintervalle<\/td>\n<td>Nein (numerische Ableitung erforderlich)<\/td>\n<\/tr>\n<tr>\n<td>Neuronale Netze<\/td>\n<td>Tiefe \/ flache Architektur<\/td>\n<td>Hunderte bis Tausende<\/td>\n<td>Niedrig (schwarze Box)<\/td>\n<td>Hoch (100+ m\u00f6glich)<\/td>\n<td>Nein (kein inh\u00e4rentes UQ-Modell)<\/td>\n<td>Nein (Empfindlichkeit durch St\u00f6rung)<\/td>\n<\/tr>\n<tr>\n<td>Modelle mit reduzierter Ordnung<\/td>\n<td>Projektion \/ richtig orthogonal<\/td>\n<td>Problemspezifisch<\/td>\n<td>Medium (Projektionsvektoren)<\/td>\n<td>Hoch (Einbettungen Physik)<\/td>\n<td>Nein (deterministische Projektion)<\/td>\n<td>Nein<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>PCE ist der einzige Ersatz, der aus den Koeffizienten exakte analytische Sobol-Indizes ergibt. Kriging gibt Vorhersageintervalle, erfordert jedoch eine numerische Differenzierung f\u00fcr die Empfindlichkeit. Neuronale Netze erfordern eine st\u00f6rungsbasierte Empfindlichkeit. Modelle mit reduzierter Ordnung sind deterministische Projektionen.<\/p>\n<h3>Wann w\u00e4hlen Sie PCE<\/h3>\n<p>PCE ist die beste Wahl, wenn:<\/p>\n<ol>\n<li><strong>Sie ben\u00f6tigen analytische Momente und Sensitivit\u00e4tsindizes<\/strong>: Die Koeffizienten geben Ihnen E[Y], Var(y) und Sobol-Indizes ohne zus\u00e4tzliche Berechnung.<\/li>\n<li><strong>Die Reaktion ist glatt und niedrigdimensional <\/strong>: Analytische Reaktionen konvergieren geometrisch in PCE.<\/li>\n<li><strong>Sie brauchen schnellen Monte Carlo auf dem Ersatz<\/strong>: Nach dem Anpassen ist die Bewertung des Polynoms O (1). Dies ist f\u00fcr die Zuverl\u00e4ssigkeitsanalyse oder die Schwellenwahrscheinlichkeitssch\u00e4tzung von unsch\u00e4tzbarem Wert.<\/li>\n<li><strong>Der Simulator ist m\u00e4\u00dfig teuer<\/strong>: Wenn jede Auswertung Minuten bis Stunden dauert, ist eine PCE von 100 bis 500 Punkten m\u00f6glich.<\/li>\n<\/ol>\n<h3>Wann pCE zu vermeiden<\/h3>\n<p>Vermeiden Sie PCE, wenn:<\/p>\n<ol>\n<li><strong>Die Reaktion ist diskontinuierlich<\/strong>: Das Gibbs-Ph\u00e4nomen erzeugt Oszillationen in der N\u00e4he von Diskontinuit\u00e4ten. Verwenden Sie Multi-Element-PCE oder einen Hybrid-Surrogat.<\/li>\n<li><strong>Sie ben\u00f6tigen ein hochdimensionales Modell<\/strong>: Auch sp\u00e4rliche PCE wird \u00fcber ~50 Parameter ohne verifizierte Sparsit\u00e4t instabil.<\/li>\n<li><strong>Die Antwort ist sehr nichtlinear mit starkem Schwellenwertverhalten<\/strong>: PCE gl\u00e4ttet Schwellenwerte. Verwenden Sie stattdessen Monte Carlo oder zuf\u00e4lliges QMC.<\/li>\n<li><strong>Daten sind extrem knapp<\/strong>: Mit weniger als 20 Trainingspunkten ist PCE unzuverl\u00e4ssig. Kriging- oder Polynom-Antwortfl\u00e4chen k\u00f6nnen robuster sein.<\/li>\n<\/ol>\n<h2>Das Gibbs-Ph\u00e4nomen<\/h2>\n<p>Das Gibbs-Ph\u00e4nomen ist der grundlegendste Fehlermodus von Standard-PCE. Bei diskontinuierlichen Antworten, Schwellenereignissen, Kontakt\u00e4nderungen oder L\u00f6serfehlern erzeugt die Polynom-Approximation nicht-physische Schwingungen in der N\u00e4he der Diskontinuit\u00e4t. Dies ist mathematisch identisch mit den Schwingungen, die bei der Ann\u00e4herung einer Schrittfunktion mit einer Fourier-Reihe zu sehen sind.<\/p>\n<p>F\u00fcr eine reibungslose Reaktion konvergiert PCE schnell. F\u00fcr eine Antwort mit einer einzelnen Sprungdiskontinuit\u00e4t oszilliert das Polynom mit einer der Sprungh\u00f6he proportionalen Amplitude und zerf\u00e4llt nur als 1 \/ \u221an. Das Erh\u00f6hen der Polynomordnung macht die Oszillation schlechter, nicht besser.<\/p>\n<h3>Minderungsstrategien<\/h3>\n<p><strong>Multi-Element PCE (ME-PCE)<\/strong>: Die Eingabedom\u00e4ne ist in Teilregionen partitioniert. In jedem Teilbereich wird ein separates Polynom angepasst, wobei die Kontinuit\u00e4t an den Grenzen durchgesetzt wird. Dies ist der zuverl\u00e4ssigste Ansatz f\u00fcr diskontinuierliche Antworten.<\/p>\n<p><strong>Polynomial Chaos-Kriging-Hybrid <\/strong>: Eine PCE erfasst die glatte Komponente der Antwort, w\u00e4hrend ein Kriging-Modell die verbleibende Diskontinuit\u00e4t erfasst. Dies nutzt die St\u00e4rken beider Methoden.<\/p>\n<p><strong>Rationales Polynom-Chaos<\/strong>: Pad\u00e9-legendre Approximationen verwenden ein Verh\u00e4ltnis von Polynomen anstelle eines einzelnen Polynoms. Die rationale Form kann diskontinuierliche Spr\u00fcnge genauer darstellen als ein reines Polynom.<\/p>\n<p><strong>Aktive Lerndom\u00e4nenzerlegung<\/strong>: Nov\u00e1k et al. (2023) f\u00fchrten einen sequentiellen Ansatz ein, bei dem die Eingabedom\u00e4ne basierend auf dem Verhalten des Modells in jeder Region iterativ zerlegt wird. Dies ist der flexibelste Ansatz f\u00fcr komplexe diskontinuierliche Antworten.<\/p>\n<h2>Python-Implementierungshandbuch<\/h2>\n<h3>Chaospy<\/h3>\n<p>Chaospy ist eine fokussierte Bibliothek f\u00fcr PCE- und Wahrscheinlichkeitsverteilungen. Es zielt nicht darauf ab, ein All-in-One-UQ-Framework zu sein.<\/p>\n<pre><code class=\"language-python\">import chaospy as cp\nimport numpy as np\n\n# Independent uncertain parameters\ndistribution = cp.J(\n    cp.Uniform(0.8, 1.2),\n    cp.Normal(2.0, 0.1)\n)\n\n# Total-degree polynomial basis\norder = 3\nexpansion = cp.generate_expansion(order, distribution)\n\n# Experimental design (Sobol)\nsamples = distribution.sample(100, rule='sobol')\n\n# Model evaluations\ndef model(sample):\n    conductivity = sample[0]\n    source = sample[1]\n    return source \/ conductivity + 0.2 * conductivity**2\n\nevaluations = np.array([model(samples[:, i]) for i in range(samples.shape[1])])\n\n# Fit PCE by regression\napproximation = cp.fit_regression(expansion, samples.T, evaluations)\n\n# Extract statistics (analytical, no additional model evaluations)\nmean = cp.E(approximation, distribution)\nvariance = cp.Var(approximation, distribution)\nfirst_order = cp.Sens_m(approximation, distribution)\ntotal_order = cp.Sens_t(approximation, distribution)\n\nprint(f\"Mean: {mean}\")\nprint(f\"Standard deviation: {np.sqrt(variance)}\")\nprint(f\"First-order Sobol: {first_order}\")\nprint(f\"Total-order Sobol: {total_order}\")\n<\/code><\/pre>\n<h3>Uqpy<\/h3>\n<p>UQPY bietet sp\u00e4rliche PCE-, LARs- und umfangreiche Validierungsdienstprogramme.<\/p>\n<pre><code class=\"language-python\">from uqpy.distributions import MultivariateGaussian\nfrom uqpy.surrogates import HyperbolicTruncLARS, MonteCarlo\nimport numpy as np\n\n# Define distribution\ndist = MultivariateGaussian(np.zeros(5), np.eye(5))\n\n# Generate samples and run model\nsamples = dist.sample(n=500)\ny_train = np.array([model_function(x) for x in samples])\n\n# Build sparse PCE\npce = HyperbolicTruncLARS(distribution=dist, q=0.5, p=3)\npce.fit(samples, y_train)\n\n# Validate on independent test points\ntest_samples = dist.sample(n=100)\ny_pred = pce.predict(test_samples)\ny_test = np.array([model_function(x) for x in test_samples])\n\n# Root mean squared error\nrmse = np.sqrt(np.mean((y_pred - y_test)**2))\nprint(f\"RMSE: {rmse}\")\n\n# Monte Carlo uncertainty propagation on the surrogate\nn_mc = 10000\nmc_samples = dist.sample(n_mc)\nmc_predictions = pce.predict(mc_samples)\n\nmc_mean = np.mean(mc_predictions)\nmc_std = np.std(mc_predictions)\nprint(f\"MC propagation mean: {mc_mean}\")\nprint(f\"MC propagation std: {mc_std}\")\n<\/code><\/pre>\n<h3>scikit-learn Regularisierte PCE<\/h3>\n<p>F\u00fcr Projekte, die bereits Scikit-Learn, Ridge oder Lasso Regression verwenden, ist unkompliziert.<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom sklearn.preprocessing import PolynomialFeatures\nfrom sklearn.linear_model import Lasso\n\n# Generate Sobol samples\nN = 300\nd = 4\nfrom scipy.stats import qmc\nsampler = qmc.Sobol(d)\nsample = sampler.random(base2=np.ceil(np.log2(N)).astype(int))\n\n# Model evaluations\ny = np.array([model_function(row) for row in sample])\n\n# Polynomial features with hyperbolic truncation (manual basis selection)\npoly = PolynomialFeatures(degree=2, include_bias=False)\nPhi = poly.fit_transform(sample)\n\n# LASSO regression\nlasso = Lasso(alpha=1e-3)\nc = lasso.fit(Phi, y).coef_\n\nprint(f\"Non-zero coefficients: {np.sum(c != 0)} out of {len(c)}\")\nprint(f\"Coefficients: {c}\")\n<\/code><\/pre>\n<h2>Validierung eines PCE-Surrogates<\/h2>\n<p>Einem PCE-Surrogat sollte niemals ohne Validierung vertraut werden. Die Polynomkoeffizienten liefern genaue Momente, aber diese Momente sind bedeutungslos, wenn der Ersatz das Modell nicht genau ann\u00e4hert.<\/p>\n<h3>Validierungsprotokoll<\/h3>\n<ol>\n<li><strong>Validierungspunkte erstellen<\/strong>: Unabh\u00e4ngig vom Training. Verwenden Sie SOBOL-Sequenzen oder lateinische Hypercube-Sampling.<\/li>\n<li><strong>Remse und maximaler Fehler berechnen <\/strong>: Vergleichen Sie PCE-Vorhersagen mit echten Modellbewertungen an Validierungspunkten.<\/li>\n<li><strong>Pr\u00fcfmomentgenauigkeit<\/strong>: Vergleichen Sie den PCE-extrahierten Mittelwert und die Varianz mit den Monte-Carlo-Sch\u00e4tzungen auf dem Validierungssatz.<\/li>\n<li><strong>Sensitivit\u00e4tsstabilit\u00e4t <\/strong>: Wenn sich die SOBOL-Indizes zwischen Training und Validierung signifikant \u00e4ndern, wird die PCE nicht konvergiert.<\/li>\n<li><strong>\u00dcberpr\u00fcfen Sie auf Gibbs-Oszillationen<\/strong>: PCE-Vorhersagen gegen ein Gitter. Nicht glatte Oszillationen weisen auf diskontinuierliche Antwortfehler hin.<\/li>\n<\/ol>\n<h3>Konvergenz\u00fcberwachung<\/h3>\n<p>Verfolgen Sie die Polynomreihenfolge und die Anzahl der Trainingspunkte. Wenn beide zunehmen, sollte der RMSE monoton abnehmen. Wenn RMSE mit h\u00f6herer Ordnung stagniert oder steigt, ist die Basis die \u00dcberanpassung der Trainingsdaten.<\/p>\n<pre><code class=\"language-python\"># Monitoring convergence as polynomial order increases\nfor order in [2, 3, 4, 5]:\n    expansion = cp.generate_expansion(order, distribution)\n    samples = distribution.sample(N)\n    evaluations = np.array([model(s) for s in samples])\n    pce = cp.fit_regression(expansion, samples.T, evaluations)\n    \n    # Validate\n    test = distribution.sample(N_test)\n    y_pred = np.array([pce(s) for s in test])\n    y_true = np.array([model(s) for s in test])\n    \n    rmse = np.sqrt(np.mean((y_pred - y_true)**2))\n    print(f\"Order {order}: RMSE = {rmse:.6f}\")\n<\/code><\/pre>\n<h2>h\u00e4ufige Fehler und wie man sie vermeidet<\/h2>\n<h3>1. Nicht \u00fcbereinstimmende Polynombasis<\/h3>\n<p>Die Verwendung von Legendre-Polynomen f\u00fcr Gau\u00dfsche Eingaben zerst\u00f6rt die Orthogonalit\u00e4t. Die Koeffizienten werden vorgespannt und die Momentextraktion ist ung\u00fcltig. Ordnen Sie die Polynomfamilie immer der Eingabeverteilung zu.<\/p>\n<h3>2. \u00dcberanpassung der Polynombasis<\/h3>\n<p>Ein Grad-5-Basis in 10 Parametern hat 2.002 Begriffe. Mit 2.000 Trainingspunkten ist die Regression kaum stabil. Verwenden Sie Informationskriterien (AIC, BIC) oder Kreuzvalidierung, um die Polynomreihenfolge auszuw\u00e4hlen.<\/p>\n<h3>3. Vertrauensvolle PCE-Momente ohne Validierung<\/h3>\n<p>Der Mittelwert und die von PCE-Koeffizienten extrahierten Varianz sind genaue mathematische Ausdr\u00fccke. Sie sind jedoch nur g\u00fcltig, wenn die Polynom-N\u00e4herung genau ist. Vor dem Melden von Momenten immer gegen unabh\u00e4ngige Testpunkte validieren.<\/p>\n<h3>4. Ignorieren des Gibbs-Ph\u00e4nomens<\/h3>\n<p>Bei diskontinuierlichen Reaktionen oszilliert das Polynom nahe Diskontinuit\u00e4ten. Melden Sie den RMSE in einem Raster, das Diskontinuit\u00e4tsregionen enth\u00e4lt. Wenn RMSE von einigen Oszillationspunkten dominiert wird, ist die PCE nicht g\u00fcltig.<\/p>\n<h3>5. Annahme von Sparsamkeit ohne \u00dcberpr\u00fcfung<\/h3>\n<p>Die Lasso- oder hyperbolische Verk\u00fcrzung geht davon aus, dass die Modellantwort von Wechselwirkungen niedriger Ordnung dominiert wird. Wenn das wahre Modell starke Interaktionen h\u00f6herer Ordnung aufweist, wird die sp\u00e4rliche PCE diese vermissen. \u00dcberpr\u00fcfen Sie die Sparsit\u00e4t, indem Sie die Koeffizientennormen von Full- vs. sp\u00e4rlichen Basen vergleichen.<\/p>\n<h2>Zusammenfassung und n\u00e4chste Schritte<\/h2>\n<p>Die Erweiterung des Polynom-Chaos wandelt einen deterministischen Simulator in einen stochastischen Surrogat um, der analytischen Zugriff auf Ausgabestatistiken, Unsicherheitsintervalle und Sensitivit\u00e4tsindizes bietet. Die Methode zeichnet sich aus, wenn die Antwort reibungslos ist, die Dimensionalit\u00e4t moderat ist und die Rechenkosten hoch genug sind, um die Ersatzkonstruktion zu rechtfertigen.<\/p>\n<h3>Empfohlener Arbeitsablauf<\/h3>\n<ol>\n<li><strong>\u00dcberpr\u00fcfen Sie die numerische Konvergenz<\/strong> des deterministischen Simulators vor UQ. Diskretisierungsfehler und numerische Unsicherheit sollten vor der Ausbreitung festgestellt werden.<\/li>\n<li><strong>Verteilungen von experimentellen Daten <\/strong> oder dokumentiertes Expertenurteil zuweisen. Standardm\u00e4\u00dfig nicht auf einheitliche Verteilungen setzen.<\/li>\n<li><strong>W\u00e4hlen Sie die Polynombasis<\/strong> aus, indem Sie Verteilungen mit orthogonalen Polynomen \u00fcbereinstimmen. \u00dcberpr\u00fcfen Sie die Orthonormalit\u00e4tsbedingungen.<\/li>\n<li><strong>W\u00e4hlen Sie eine Koeffizientensch\u00e4tzungsmethode <\/strong>: Regression f\u00fcr nicht-intrusive PCE, Quadratur f\u00fcr effiziente niederdimensionale F\u00e4lle, Kollokation f\u00fcr billige Modelle.<\/li>\n<li><strong>Validieren Sie den Ersatz<\/strong> gegen unabh\u00e4ngige Testpunkte und \u00fcberwachen Sie die Konvergenz mit zunehmender Polynomordnung.<\/li>\n<li><strong>Momente und Sensitivit\u00e4tsindizes melden<\/strong> Erst nach der Validierung. Schlie\u00dfen Sie Konfidenzintervalle f\u00fcr gesch\u00e4tzte Statistiken ein.<\/li>\n<\/ol>\n<h3>Was zu vermeiden<\/h3>\n<ul>\n<li>Verwenden von PCE f\u00fcr diskontinuierliche Antworten ohne Abschw\u00e4chung<\/li>\n<li>Angenommen, sp\u00e4rliches PCE funktioniert f\u00fcr jedes hochdimensionale Problem<\/li>\n<li>PCE-Momente ohne Validierung melden<\/li>\n<li>Verwirrende nicht-intrusive PCE mit intrusivem stochastischem Galerkin<\/li>\n<li>Verwenden von vollst\u00e4ndigen Polynombasis bei Problemen, bei denen die Basisgr\u00f6\u00dfe den Trainingssatz \u00fcberschreitet<\/li>\n<\/ul>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Unsicherheitsquantifizierung und Sensitivit\u00e4tsanalyse in der wissenschaftlichen Simulation<\/a> \u2014 breiterer UQ-Workflow, SoBol-Sensitivit\u00e4tsanalyse, Monte Carlo-Methoden und Python-UQ-Tools.<\/li>\n<li><a href=\"https:\/\/matforge.org\/monte-carlo-methods-for-scientific-simulations\/\">Monte Carlo-Methoden f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 Vergleichen Sie Stichproben, QMC, LHS und Konvergenzverhalten gegen St.<\/li>\n<li><a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinenlern-Surrogate f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 Erstellen und validieren Sie nebeneinander St.<\/li>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">Verifikation vs. Validierung in wissenschaftlichen Simulationen<\/a> \u2014 Etablieren Sie numerische Konvergenz vor dem Start Eine UQ-Kampagne.<\/li>\n<\/ul>\n<h2>Referenzen<\/h2>\n<ul>\n<li>Caflisch, R. E., &amp; Mosolova, N. (1998). Monte Carlo und Quasi-Monte Carlo Methoden. UCLA Cam-Bericht.<\/li>\n<li>Nov\u00e1k et al. (2023). Aktive Lerndom\u00e4ne adaptive lokalisierte Surrogate. <em>Computermethoden in angewandter Mechanik und Technik <\/em>. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0888327023006362\" target=\"_blank\" rel=\"nofollow noopener\"> doi <\/a><\/li>\n<li>Schneider (2023). Rationales Chaos-Expansion f\u00fcr Polynome. tum Dissertation. <a href=\"https:\/\/mediatum.ub.tum.de\/doc\/1779181\/o49dteqnqdu3dcf3r6r50dqfd.manuscript_final.pdf\" target=\"_blank\" rel=\"nofollow noopener\"> pdf <\/a><\/li>\n<li>Helmholtz UQ-W\u00f6rterbuch. Eintrag f\u00fcr die Erweiterung des Polynom-Chaos. <a href=\"https:\/\/dictionary.helmholtz-uq.de\/content\/PCE.html\" target=\"_blank\" rel=\"nofollow noopener\"> url <\/a><\/li>\n<li>COMSOL-Lernzentrum. Ersatzmodellierungstheorie und PCE. <a href=\"https:\/\/www.comsol.com\/support\/learning-center\/course\/surrogate-modeling-theory-271\/more-on-pce-surrogate-models-97121\" target=\"_blank\" rel=\"nofollow noopener\"> url <\/a><\/li>\n<\/ul>\n<h2>Ben\u00f6tigen Sie Hilfe beim Erstellen von PCE-Surrogaten f\u00fcr Ihre Simulationen?<\/h2>\n<p>Wenn Sie mit der Implementierung von Polynom-Chaos, der Auswahl der Basis, der sp\u00e4rlichen PCE-Regularisierung oder der Ersatzvalidierung zu k\u00e4mpfen haben, k\u00f6nnen wir Ihnen helfen. Wir spezialisieren uns auf Python-basierte Unsicherheitsquantifizierungs-Workflows und k\u00f6nnen Sie von grundlegenden PCE-Skripten zu produktionstechnischen Ersatzpipelines f\u00fchren.<\/p>\n","protected":false,"raw":"<p>Die Polynom-Chaos-Expansion ist eine Surrogat-Modellierungstechnik, die eine teure Simulation durch eine Reihe orthogonaler Polynome ersetzt, deren Koeffizienten verwendet werden k\u00f6nnen, um die Unsicherheit direkt zu sch\u00e4tzen. Einmal angepasst, bietet Ihnen ein PCE-Surrogat analytische Zugriff auf Ausgabemittel, Abweichungen, Konfidenzintervalle und SOBOL-Sensitivit\u00e4tsindizes, ohne eine einzige zus\u00e4tzliche Simulation durchzuf\u00fchren.<\/p>\n<p>Dieser Artikel behandelt PCE von der theoretischen Grundlage bis zur praktischen Umsetzung. Sie werden genau sehen, wie Polynombasen ausgew\u00e4hlt werden, wie Koeffizienten durch Regression, Quadratur oder Projektion gesch\u00e4tzt werden, wie sp\u00e4rliche Techniken PCE auf m\u00e4\u00dfige Dimensionen erweitern und welche Ausfallmodi die Standard-PCE brechen. Die eingeschlossenen Python-Beispiele verwenden Chaospy, Uqpy und Scikit-Learn, um vollst\u00e4ndige, validierte Workflows anzuzeigen.<\/p>\n<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li><strong>PCE ersetzt zuf\u00e4llige Stichproben durch deterministische Approximation<\/strong>: Anstatt Tausende von Monte-Carlo-Proben zu zeichnen, passt PCE ein Polynom an die Modellantwort an. Die Polynomkoeffizienten liefern dann analytische Momente und Sensitivit\u00e4tsindizes.<\/li>\n<li><strong>Die Polynombasis muss mit der Eingabeverteilung \u00fcbereinstimmen: <\/strong>: Legendre f\u00fcr Uniform, Hermite f\u00fcr Gaussian, Laguerre f\u00fcr Exponential. Eine nicht \u00fcbereinstimmende Basis zerst\u00f6rt die Orthogonalit\u00e4t und macht alle Koeffizientensch\u00e4tzungen ung\u00fcltig.<\/li>\n<li><strong>Nicht-intrusive PCE ist die Standardwahl f\u00fcr die meisten Workflows<\/strong>: Sie behalten Ihren Simulator als Black Box, bewerten ihn an Trainingspunkten und sch\u00e4tzen die Koeffizienten \u00fcber Regression. Dies vermeidet das \u00c4ndern von Solver-Gleichungen.<\/li>\n<li><strong>Sp\u00e4rliche PCE-Methoden verarbeiten ~50 Parameter<\/strong>: Hyperbolische K\u00fcrzungen, Lasso- und Smolyak-Gitter reduzieren die Gr\u00f6\u00dfe der Polynombasis dramatisch. Sie funktionieren, wenn die Modellantwort dominante Wechselwirkungen niedriger Ordnung aufweist, aber die Sparsity-Annahme muss \u00fcberpr\u00fcft werden.<\/li>\n<li><strong>PCE ist nicht universell<\/strong>: Diskontinuierliche Antworten, Schwellenereignisse, Kontakt\u00e4nderungen und L\u00f6serfehler f\u00fchren zu nicht-physikalischen Schwingungen (das Gibbs-Ph\u00e4nomen). Wenn die Antwort diskontinuierlich ist, verwenden Sie Multielement-PCE, rationales Polynom-Chaos oder einen hybriden Ersatz.<\/li>\n<\/ul>\n<h2>Funktionsweise der Polynom-Chaos-Erweiterung<\/h2>\n<p>Die Polynom-Chaos-Expansion repr\u00e4sentiert eine Modellausgabe als gewichtete Summe von orthogonalen Polynomen. Betrachten Sie eine skalare Ausgabe y, die von einem Eingabevektor X abh\u00e4ngt:<\/p>\n<pre><code>Y = M(X)\n<\/code><\/pre>\n<p>Die PCE-N\u00e4herung ersetzt m(x) durch ein Polynom:<\/p>\n<pre><code>Y(X) \u2248 \u03a3 c\u2096 \u03a8\u2096(X)\n<\/code><\/pre>\n<p>Hierbei sind \u03c8\u2096 multivariate orthogonale Polynome und C\u2096 deterministische Koeffizienten. Der Satz von Polynomen muss in Bezug auf die Eingangswahrscheinlichkeitsverteilung orthogonal sein, und die Koeffizienten werden durch das gew\u00e4hlte Sch\u00e4tzverfahren bestimmt.<\/p>\n<h3>Orthogonale Polynome und Verteilungsabgleich<\/h3>\n<p>Die Polynomfamilie ist direkt an die Eingabeverteilung gebunden. Dies ist keine Designwahl - es ist eine mathematische Voraussetzung f\u00fcr die Orthogonalit\u00e4t.<\/p>\n<table>\n<thead>\n<tr>\n<th>Verteilung<\/th>\n<th>Orthogonales Polynom<\/th>\n<th>Normalisierung<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Uniform [-1, 1]<\/td>\n<td>Legende<\/td>\n<td>P\u2099(\u03be) = (1\/N!)\u00b7D\u207f\/D\u03be\u207f[(\u03be\u00b2-1)\u207f]<\/td>\n<\/tr>\n<tr>\n<td>Standardnormal N(0,1)<\/td>\n<td>Hermite<\/td>\n<td>H\u2099(\u03be) = (-1)\u207f\u00b7E<sup>(\u03be\u00b2\/2)\u00b7d\u207f\/d\u03be\u207f[e<\/sup>(-\u03be\u00b2\/2)]<\/td>\n<\/tr>\n<tr>\n<td>Exponential \u03bb = 1<\/td>\n<td>Laguerre<\/td>\n<td>L\u2099(\u03be) = (1\/N!) \u00b7 E ^ \u03be \u00b7 D\u207f\/D\u03be\u207f[\u03be\u207f]<\/td>\n<\/tr>\n<tr>\n<td>Beta [a, b]<\/td>\n<td>Jacobi<\/td>\n<td>Verallgemeinerte Jacobi-Polynome<\/td>\n<\/tr>\n<tr>\n<td>Poisson<\/td>\n<td>Charlier<\/td>\n<td>Diskrete orthogonale Polynome<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Die Orthonormalit\u00e4tsbedingung besagt:<\/p>\n<pre><code>\u222b \u03a8\u1d62(\u03be) \u03a8\u2c7c(\u03be) w(\u03be) d\u03be = \u03b4\u1d62\u2c7c\n<\/code><\/pre>\n<p>Dabei ist w(\u03be) die Wahrscheinlichkeitsdichte der Eingangsverteilung und \u0394\u1d62\u2c7c das Kronecker-Delta. Wenn diese Bedingung gilt, beziehen sich die PCE-Koeffizienten direkt auf Ausgabestatistiken durch Parsevals Identit\u00e4t.<\/p>\n<h3>Multivariate Polynomkonstruktion<\/h3>\n<p>Wenn die Eingaben unabh\u00e4ngig sind, ist die multivariate Polynombasis ein Tensorprodukt univariater Polynome:<\/p>\n<pre><code>\u03a8\u2096(X) = \u03a0 \u03c8\u2096\u1d62(X\u1d62)\n<\/code><\/pre>\n<p>F\u00fcr eine Gesamtgradbasis der Ordnung P in d unsicheren Parametern betr\u00e4gt die Anzahl der Terme:<\/p>\n<pre><code>N = (d + p)! \/ (d! \u00b7 p!)\n<\/code><\/pre>\n<p>F\u00fcr 20 Parameter und Ordnung drei ergibt dies 1.771 Terme. Eine stabile Regression erfordert in der Regel mehr Trainingspunkte als Koeffizienten, sodass der Rechenbedarf schnell w\u00e4chst.<\/p>\n<h2>nicht aufdringlich vs. aufdringlich PCE<\/h2>\n<p>Es gibt zwei grundlegend unterschiedliche Ans\u00e4tze zum Aufbau einer PCE. Der nicht aufdringliche Ansatz behandelt den Simulator als Black Box. Der aufdringliche Ansatz formuliert die ma\u00dfgeblichen Gleichungen neu.<\/p>\n<h3>Nicht aufdringliche PCE<\/h3>\n<p>Nicht-intrusive PCE bewertet den deterministischen Simulator an ausgew\u00e4hlten Punkten im Unsicherheitsraum und passt zu einer Polynomregression. Der Workflow:<\/p>\n<ol>\n<li>W\u00e4hlen Sie eine Polynombasis aus, die mit den Eingabeverteilungen ausgerichtet ist.<\/li>\n<li>Trainingspunkte (Quadratur oder Probenahme) generieren.<\/li>\n<li>F\u00fchren Sie den Simulator an diesen Punkten aus.<\/li>\n<li>Expansionskoeffizienten sch\u00e4tzen.<\/li>\n<li>Validieren an unabh\u00e4ngigen Testpunkten.<\/li>\n<\/ol>\n<p>Dieser Ansatz f\u00fcgt keine Solver-\u00c4nderungen hinzu. Sie k\u00f6nnen ein vorhandenes CFD-, FEM-, Phasenfeld- oder molekulares Modell umwickeln und einen PCE-Surrogat erhalten, ohne einen internen Code zu \u00e4ndern.<\/p>\n<h3>Aufdringliche PCE (stochastischer Galerkin)<\/h3>\n<p>Intrusive PCE ersetzt die Polynomexpansion direkt in die ma\u00dfgeblichen Gleichungen und leitet ein gekoppeltes deterministisches System f\u00fcr die Koeffizienten ab. F\u00fcr ein einfaches Modell:<\/p>\n<pre><code>\u2202u\/\u2202t = L(u) + f \u2192 \u03a3 \u2202c\u2096\u03a8\u2096\/\u2202t = L(\u03a3 c\u2096\u03a8\u2096) + f\n<\/code><\/pre>\n<p>Nach dem Projizieren auf jede Basisfunktion l\u00f6st das gekoppelte System alle Koeffizienten gleichzeitig. Dies kann effizienter sein, da die vollst\u00e4ndige Struktur der Gleichungen verwendet wird. Es erfordert jedoch, dass der Solver ge\u00e4ndert wird, um das gekoppelte System zu handhaben. F\u00fcr die meisten Produktionsabl\u00e4ufe ist der aufdringliche Ansatz unpraktisch - der nicht-intrusive Regressionsansatz wird bevorzugt.<\/p>\n<h2>So sch\u00e4tzen Sie PCE-Koeffizienten<\/h2>\n<p>Die Koeffizientensch\u00e4tzungsmethode bestimmt sowohl die Genauigkeit als auch die Rechenkosten. Es gibt drei Hauptans\u00e4tze.<\/p>\n<h3>Regressionsbasierte Sch\u00e4tzung<\/h3>\n<p>Der nicht-intrusive Regressionsansatz ist der am weitesten verbreitete. Es sampelt Eingabepunkte, wertet das Modell aus und passt das Polynom durch lineare Regression:<\/p>\n<pre><code>y \u2248 \u03a6 c\n<\/code><\/pre>\n<p>wobei \u03c6 die polynome Bewertungsmatrix ist und y der Vektor der Modellbewertungen ist. Wenn n_samples \u2265 n_terms ist, lautet die L\u00f6sung der kleinsten Quadrate:<\/p>\n<pre><code>c = (\u03a6\u1d40\u03a6)\u207b\u00b9 \u03a6\u1d40 y\n<\/code><\/pre>\n<p>Dies ist mit den Polynomial-Funktionen von scikit-learn einfach zu implementieren:<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom sklearn.preprocessing import PolynomialFeatures\nfrom sklearn.linear_model import Ridge\n\n# Training data: N_samples \u00d7 N_inputs\nX_train = np.random.uniform(-1, 1, (100, 3))\n\n# Polynomial features up to degree 2\npoly = PolynomialFeatures(degree=2, include_bias=False)\nPhi = poly.fit_transform(X_train)  # 100 \u00d7 10 matrix\n\n# Ridge regression (regularization stabilizes coefficient estimation)\nmodel = Ridge(alpha=1e-4)\nc = model.fit(Phi, y_train).coef_\n<\/code><\/pre>\n<p>Die Regression mit Regularisierung (Ridge, Lasso) ist numerisch stabil und funktioniert gut f\u00fcr m\u00e4\u00dfige Dimensionen. Der Nachteil ist, dass die Regressionsmatrix schlecht konditioniert wird, wenn der Trainingssatz relativ zur Basisgr\u00f6\u00dfe klein ist.<\/p>\n<h3>Quadraturbasierte (Gauss-Formel) Sch\u00e4tzung<\/h3>\n<p>Wenn der Koeffizientenindex k eindimensional ist (ein einzelner Polynombegriff), kann der Koeffizient C\u2096 durch numerische Quadratur berechnet werden:<\/p>\n<pre><code>c\u2096 = \u222b M(X) \u03a8\u2096(X) w(X) dX \u2248 \u03a3\u1d62 M(X\u1d62) \u03a8\u2096(X\u1d62) w(X\u1d62) \/ ||\u03a8\u2096||\u00b2\n<\/code><\/pre>\n<p>F\u00fcr multivariate PCE werden sp\u00e4rliche Quadraturgitter ben\u00f6tigt. Dieser Ansatz ist genau, wenn das Modell ein Polynom von Grad \u2264 2p ist, aber in hohen Dimensionen unpraktisch wird, da die Quadraturgittergr\u00f6\u00dfe exponentiell w\u00e4chst.<\/p>\n<h3>Projektionsbasierte (stochastische Kollokation)<\/h3>\n<p>Stochastische Kollokation konstruiert die PCE durch Interpolation des Modells an ausgew\u00e4hlten Kollokationspunkten. Der Koeffizient f\u00fcr Term k ist:<\/p>\n<pre><code>c\u2096 = \u03a3\u1d62 M(X\u1d62) \u03a8\u2096(X\u1d62) \/ \u03a8\u2096(X\u1d62)\u00b2  (diagonal weight)\n<\/code><\/pre>\n<p>Die Kollokation vermeidet den Integrationsschritt von Quadratur und ist rechnerisch effizient, wenn sp\u00e4rliche Gitter oder adaptive Verfeinerungsstrategien verwendet werden. Es ist der bevorzugte Ansatz, wenn der Simulator billig genug ist, um an allen Quadraturpunkten zu bewerten.<\/p>\n<h2>Sp\u00e4rliche PCE-Methoden<\/h2>\n<p>Die volle Polynombasis w\u00e4chst kombinatorisch mit der Dimension. Sp\u00e4rliche PCE-Methoden reduzieren die Basisgr\u00f6\u00dfe und behalten gleichzeitig die Genauigkeit bei, wenn die Modellantwort von Wechselwirkungen niedriger Ordnung dominiert wird.<\/p>\n<h3>Hyperbolische Verk\u00fcrzung<\/h3>\n<p>Die hyperbolische Basisbeschr\u00e4nkung (HBR) mit Parameter Q &lt; 1 Limits, welche Multi-Indizes enthalten sind:<\/p>\n<pre><code>\u2211 \u03b1\u1d62^(1\/q) \u2264 p\n<\/code><\/pre>\n<p>Bei Q \u2192 1 n\u00e4hert sich der HBR der Gesamtgradgrundlage. Wenn Q \u2192 0 ann\u00e4hernd n\u00e4hert, n\u00e4hert es sich der generalisierten Pareto-Basis. Der Parameter Q steuert den Kompromiss zwischen Basisgr\u00f6\u00dfe und Genauigkeit. F\u00fcr die meisten technischen Modelle bietet q = 0,5 bis 0,7 eine gute Komprimierung bei Beibehaltung wichtiger Interaktionsterme.<\/p>\n<p>Die hyperbolische K\u00fcrzung reduziert eine 20-Parameter-Basis von 1.771 Terms auf ungef\u00e4hr 200-400 Terme, abh\u00e4ngig von q.<\/p>\n<h3>Lasso und regulierte Regression<\/h3>\n<p>Lasso (least absoluter Schrumpf- und Selektionsoperator) F\u00fchrt Regression mit einer L1-Strafe aus:<\/p>\n<pre><code>min (||\u03a6c||\u00b2 + \u03bb ||c||\u2081)\n<\/code><\/pre>\n<p>Die L1-Penalty treibt viele Koeffizienten genau auf Null an und erzeugt eine sp\u00e4rliche L\u00f6sung. Elastic Net kombiniert L1- und L2-Penalien, um korrelierte Pr\u00e4diktoren zu handhaben:<\/p>\n<pre><code>min (||\u03a6c||\u00b2 + \u03bb\u2081 ||c||\u2081 + \u03bb\u2082 ||c||\u2082\u00b2)\n<\/code><\/pre>\n<p>LASSO-basiertes SPARSE PCE wird in UQPY als <code>HyperbolicTruncLARS<\/code>  implementiert (hyperbolische Verk\u00fcrzung mit Regression des kleinsten Winkels). Der Workflow:<\/p>\n<pre><code class=\"language-python\">from uqpy.surrogates import HyperbolicTruncLARS\nfrom uqpy.distributions import MultivariateGaussian, Uniform\n\n# Define distributions\ndist = MultivariateGaussian(np.zeros(5), np.eye(5))\n\n# Generate samples and run model\nsamples = dist.sample(n=500)\ny_train = model_function(samples)\n\n# Build sparse PCE with q=0.5\npce = HyperbolicTruncLARS(distribution=dist, q=0.5, p=3)\npce.fit(samples, y_train)\n\n# Validate\nvalidation_samples = dist.sample(n=100)\ny_pred = pce.predict(validation_samples)\nrmse = np.sqrt(np.mean((y_pred - y_test)**2))\n<\/code><\/pre>\n<h3>Smolyak sp\u00e4rliche Gitter<\/h3>\n<p>Die Smolyak-Konstruktion kombiniert univariate Quadraturregeln mit der sp\u00e4rlichen Gitterformel:<\/p>\n<pre><code>Q\u2098 = \u03a3_{|k|=m} (-1)^(m-|k|) \u00b7 \u03a0\u1d62 Q_{k\u1d62}\n<\/code><\/pre>\n<p>wobei q_d der d-dimensionale Quadraturoperator ist und | k | = \u03c3 k\u1d62. Smolyak-Gitter reduzieren die Anzahl der mehrdimensionalen Punkte von exponentieller bis polynomialem Wachstum in der Dimension. Sie sind am effektivsten, wenn die Reaktion reibungslos ist und Interaktionen niedriger Ordnung dominieren.<\/p>\n<h2>Wenn PCE wirksam ist<\/h2>\n<p>PCE konvergiert exponentiell schnell f\u00fcr reibungslose Modellantworten. Die Konvergenzrate h\u00e4ngt ab von:<\/p>\n<ul>\n<li><strong>Gl\u00e4tte<\/strong>: Analytische Reaktionen konvergieren geometrisch. St\u00fcckweise glatte Reaktionen konvergieren algebraisch.<\/li>\n<li><strong>Effektive Dimension<\/strong>: Auch bei 50 Nennparametern, wenn nur 5 die Reaktion steuern, konvergiert PCE auf 5 Dimensionen.<\/li>\n<li><strong>Parameterinteraktionen<\/strong>: Starke Interaktionen h\u00f6herer Ordnung erh\u00f6hen die erforderliche Basisgr\u00f6\u00dfe.<\/li>\n<li><strong>Experimentelle Designqualit\u00e4t<\/strong>: SOBOL-Sequenzen oder sp\u00e4rliche Quadratur-Gitter schneiden besser ab als eine einheitliche Zufallsstichprobe.<\/li>\n<\/ul>\n<h3>Basiskontext<\/h3>\n<ul>\n<li>PCE bietet analytische Momente und SOBOL-Indizes ohne zus\u00e4tzliche Modellbewertungen.<\/li>\n<li>Der Regressionsansatz behandelt den Simulator als Black Box.<\/li>\n<li>Sp\u00e4rliche Methoden k\u00f6nnen PCE auf ~ 50 unsichere Parameter erweitern, wenn das Modell sp\u00e4rliche Wechselwirkungen aufweist.<\/li>\n<li>Das Python-UQ-\u00d6kosystem umfasst Chaospy, Uqpy, Salib, Smt und Unw\u00e4gbarkeit.<\/li>\n<\/ul>\n<h2>PCE gegen Kriging vs. Neuralnetze<\/h2>\n<p>PCE ist ein Ersatz unter vielen. Wenn Sie die Kompromisse verstehen, k\u00f6nnen Sie die richtige Methode f\u00fcr Ihr Problem ausw\u00e4hlen.<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimension<\/th>\n<th>Verfahren<\/th>\n<th>Daten ben\u00f6tigt<\/th>\n<th>Interpretationsf\u00e4higkeit<\/th>\n<th>Dimensionalit\u00e4t<\/th>\n<th>UQ-Extraktion<\/th>\n<th>SOBOL-Indizes<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>PCE<\/td>\n<td>Polynomregression \/ Quadratur<\/td>\n<td>n_terms \u00d7 1,5<\/td>\n<td>Hoch (Koeffizientenabweichung)<\/td>\n<td>M\u00e4\u00dfig (sp\u00e4rlich erstreckt sich bis ~50)<\/td>\n<td>Genaue analytische Momente<\/td>\n<td>Exakt (koeffiziente Gruppierung)<\/td>\n<\/tr>\n<tr>\n<td>Kriging (Gaussischer Prozess)<\/td>\n<td>Korrelationsbasierte Interpolation<\/td>\n<td>~ 10-50 \u00d7 D<\/td>\n<td>Medium (Korrelationsstruktur)<\/td>\n<td>Niedrig-Moderat (~10-30)<\/td>\n<td>Vorhersageintervalle<\/td>\n<td>Nein (numerische Ableitung erforderlich)<\/td>\n<\/tr>\n<tr>\n<td>Neuronale Netze<\/td>\n<td>Tiefe \/ flache Architektur<\/td>\n<td>Hunderte bis Tausende<\/td>\n<td>Niedrig (schwarze Box)<\/td>\n<td>Hoch (100+ m\u00f6glich)<\/td>\n<td>Nein (kein inh\u00e4rentes UQ-Modell)<\/td>\n<td>Nein (Empfindlichkeit durch St\u00f6rung)<\/td>\n<\/tr>\n<tr>\n<td>Modelle mit reduzierter Ordnung<\/td>\n<td>Projektion \/ richtig orthogonal<\/td>\n<td>Problemspezifisch<\/td>\n<td>Medium (Projektionsvektoren)<\/td>\n<td>Hoch (Einbettungen Physik)<\/td>\n<td>Nein (deterministische Projektion)<\/td>\n<td>Nein<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>PCE ist der einzige Ersatz, der aus den Koeffizienten exakte analytische Sobol-Indizes ergibt. Kriging gibt Vorhersageintervalle, erfordert jedoch eine numerische Differenzierung f\u00fcr die Empfindlichkeit. Neuronale Netze erfordern eine st\u00f6rungsbasierte Empfindlichkeit. Modelle mit reduzierter Ordnung sind deterministische Projektionen.<\/p>\n<h3>Wann w\u00e4hlen Sie PCE<\/h3>\n<p>PCE ist die beste Wahl, wenn:<\/p>\n<ol>\n<li><strong>Sie ben\u00f6tigen analytische Momente und Sensitivit\u00e4tsindizes<\/strong>: Die Koeffizienten geben Ihnen E[Y], Var(y) und Sobol-Indizes ohne zus\u00e4tzliche Berechnung.<\/li>\n<li><strong>Die Reaktion ist glatt und niedrigdimensional <\/strong>: Analytische Reaktionen konvergieren geometrisch in PCE.<\/li>\n<li><strong>Sie brauchen schnellen Monte Carlo auf dem Ersatz<\/strong>: Nach dem Anpassen ist die Bewertung des Polynoms O (1). Dies ist f\u00fcr die Zuverl\u00e4ssigkeitsanalyse oder die Schwellenwahrscheinlichkeitssch\u00e4tzung von unsch\u00e4tzbarem Wert.<\/li>\n<li><strong>Der Simulator ist m\u00e4\u00dfig teuer<\/strong>: Wenn jede Auswertung Minuten bis Stunden dauert, ist eine PCE von 100 bis 500 Punkten m\u00f6glich.<\/li>\n<\/ol>\n<h3>Wann pCE zu vermeiden<\/h3>\n<p>Vermeiden Sie PCE, wenn:<\/p>\n<ol>\n<li><strong>Die Reaktion ist diskontinuierlich<\/strong>: Das Gibbs-Ph\u00e4nomen erzeugt Oszillationen in der N\u00e4he von Diskontinuit\u00e4ten. Verwenden Sie Multi-Element-PCE oder einen Hybrid-Surrogat.<\/li>\n<li><strong>Sie ben\u00f6tigen ein hochdimensionales Modell<\/strong>: Auch sp\u00e4rliche PCE wird \u00fcber ~50 Parameter ohne verifizierte Sparsit\u00e4t instabil.<\/li>\n<li><strong>Die Antwort ist sehr nichtlinear mit starkem Schwellenwertverhalten<\/strong>: PCE gl\u00e4ttet Schwellenwerte. Verwenden Sie stattdessen Monte Carlo oder zuf\u00e4lliges QMC.<\/li>\n<li><strong>Daten sind extrem knapp<\/strong>: Mit weniger als 20 Trainingspunkten ist PCE unzuverl\u00e4ssig. Kriging- oder Polynom-Antwortfl\u00e4chen k\u00f6nnen robuster sein.<\/li>\n<\/ol>\n<h2>Das Gibbs-Ph\u00e4nomen<\/h2>\n<p>Das Gibbs-Ph\u00e4nomen ist der grundlegendste Fehlermodus von Standard-PCE. Bei diskontinuierlichen Antworten, Schwellenereignissen, Kontakt\u00e4nderungen oder L\u00f6serfehlern erzeugt die Polynom-Approximation nicht-physische Schwingungen in der N\u00e4he der Diskontinuit\u00e4t. Dies ist mathematisch identisch mit den Schwingungen, die bei der Ann\u00e4herung einer Schrittfunktion mit einer Fourier-Reihe zu sehen sind.<\/p>\n<p>F\u00fcr eine reibungslose Reaktion konvergiert PCE schnell. F\u00fcr eine Antwort mit einer einzelnen Sprungdiskontinuit\u00e4t oszilliert das Polynom mit einer der Sprungh\u00f6he proportionalen Amplitude und zerf\u00e4llt nur als 1 \/ \u221an. Das Erh\u00f6hen der Polynomordnung macht die Oszillation schlechter, nicht besser.<\/p>\n<h3>Minderungsstrategien<\/h3>\n<p><strong>Multi-Element PCE (ME-PCE)<\/strong>: Die Eingabedom\u00e4ne ist in Teilregionen partitioniert. In jedem Teilbereich wird ein separates Polynom angepasst, wobei die Kontinuit\u00e4t an den Grenzen durchgesetzt wird. Dies ist der zuverl\u00e4ssigste Ansatz f\u00fcr diskontinuierliche Antworten.<\/p>\n<p><strong>Polynomial Chaos-Kriging-Hybrid <\/strong>: Eine PCE erfasst die glatte Komponente der Antwort, w\u00e4hrend ein Kriging-Modell die verbleibende Diskontinuit\u00e4t erfasst. Dies nutzt die St\u00e4rken beider Methoden.<\/p>\n<p><strong>Rationales Polynom-Chaos<\/strong>: Pad\u00e9-legendre Approximationen verwenden ein Verh\u00e4ltnis von Polynomen anstelle eines einzelnen Polynoms. Die rationale Form kann diskontinuierliche Spr\u00fcnge genauer darstellen als ein reines Polynom.<\/p>\n<p><strong>Aktive Lerndom\u00e4nenzerlegung<\/strong>: Nov\u00e1k et al. (2023) f\u00fchrten einen sequentiellen Ansatz ein, bei dem die Eingabedom\u00e4ne basierend auf dem Verhalten des Modells in jeder Region iterativ zerlegt wird. Dies ist der flexibelste Ansatz f\u00fcr komplexe diskontinuierliche Antworten.<\/p>\n<h2>Python-Implementierungshandbuch<\/h2>\n<h3>Chaospy<\/h3>\n<p>Chaospy ist eine fokussierte Bibliothek f\u00fcr PCE- und Wahrscheinlichkeitsverteilungen. Es zielt nicht darauf ab, ein All-in-One-UQ-Framework zu sein.<\/p>\n<pre><code class=\"language-python\">import chaospy as cp\nimport numpy as np\n\n# Independent uncertain parameters\ndistribution = cp.J(\n    cp.Uniform(0.8, 1.2),\n    cp.Normal(2.0, 0.1)\n)\n\n# Total-degree polynomial basis\norder = 3\nexpansion = cp.generate_expansion(order, distribution)\n\n# Experimental design (Sobol)\nsamples = distribution.sample(100, rule='sobol')\n\n# Model evaluations\ndef model(sample):\n    conductivity = sample[0]\n    source = sample[1]\n    return source \/ conductivity + 0.2 * conductivity**2\n\nevaluations = np.array([model(samples[:, i]) for i in range(samples.shape[1])])\n\n# Fit PCE by regression\napproximation = cp.fit_regression(expansion, samples.T, evaluations)\n\n# Extract statistics (analytical, no additional model evaluations)\nmean = cp.E(approximation, distribution)\nvariance = cp.Var(approximation, distribution)\nfirst_order = cp.Sens_m(approximation, distribution)\ntotal_order = cp.Sens_t(approximation, distribution)\n\nprint(f\"Mean: {mean}\")\nprint(f\"Standard deviation: {np.sqrt(variance)}\")\nprint(f\"First-order Sobol: {first_order}\")\nprint(f\"Total-order Sobol: {total_order}\")\n<\/code><\/pre>\n<h3>Uqpy<\/h3>\n<p>UQPY bietet sp\u00e4rliche PCE-, LARs- und umfangreiche Validierungsdienstprogramme.<\/p>\n<pre><code class=\"language-python\">from uqpy.distributions import MultivariateGaussian\nfrom uqpy.surrogates import HyperbolicTruncLARS, MonteCarlo\nimport numpy as np\n\n# Define distribution\ndist = MultivariateGaussian(np.zeros(5), np.eye(5))\n\n# Generate samples and run model\nsamples = dist.sample(n=500)\ny_train = np.array([model_function(x) for x in samples])\n\n# Build sparse PCE\npce = HyperbolicTruncLARS(distribution=dist, q=0.5, p=3)\npce.fit(samples, y_train)\n\n# Validate on independent test points\ntest_samples = dist.sample(n=100)\ny_pred = pce.predict(test_samples)\ny_test = np.array([model_function(x) for x in test_samples])\n\n# Root mean squared error\nrmse = np.sqrt(np.mean((y_pred - y_test)**2))\nprint(f\"RMSE: {rmse}\")\n\n# Monte Carlo uncertainty propagation on the surrogate\nn_mc = 10000\nmc_samples = dist.sample(n_mc)\nmc_predictions = pce.predict(mc_samples)\n\nmc_mean = np.mean(mc_predictions)\nmc_std = np.std(mc_predictions)\nprint(f\"MC propagation mean: {mc_mean}\")\nprint(f\"MC propagation std: {mc_std}\")\n<\/code><\/pre>\n<h3>scikit-learn Regularisierte PCE<\/h3>\n<p>F\u00fcr Projekte, die bereits Scikit-Learn, Ridge oder Lasso Regression verwenden, ist unkompliziert.<\/p>\n<pre><code class=\"language-python\">import numpy as np\nfrom sklearn.preprocessing import PolynomialFeatures\nfrom sklearn.linear_model import Lasso\n\n# Generate Sobol samples\nN = 300\nd = 4\nfrom scipy.stats import qmc\nsampler = qmc.Sobol(d)\nsample = sampler.random(base2=np.ceil(np.log2(N)).astype(int))\n\n# Model evaluations\ny = np.array([model_function(row) for row in sample])\n\n# Polynomial features with hyperbolic truncation (manual basis selection)\npoly = PolynomialFeatures(degree=2, include_bias=False)\nPhi = poly.fit_transform(sample)\n\n# LASSO regression\nlasso = Lasso(alpha=1e-3)\nc = lasso.fit(Phi, y).coef_\n\nprint(f\"Non-zero coefficients: {np.sum(c != 0)} out of {len(c)}\")\nprint(f\"Coefficients: {c}\")\n<\/code><\/pre>\n<h2>Validierung eines PCE-Surrogates<\/h2>\n<p>Einem PCE-Surrogat sollte niemals ohne Validierung vertraut werden. Die Polynomkoeffizienten liefern genaue Momente, aber diese Momente sind bedeutungslos, wenn der Ersatz das Modell nicht genau ann\u00e4hert.<\/p>\n<h3>Validierungsprotokoll<\/h3>\n<ol>\n<li><strong>Validierungspunkte erstellen<\/strong>: Unabh\u00e4ngig vom Training. Verwenden Sie SOBOL-Sequenzen oder lateinische Hypercube-Sampling.<\/li>\n<li><strong>Remse und maximaler Fehler berechnen <\/strong>: Vergleichen Sie PCE-Vorhersagen mit echten Modellbewertungen an Validierungspunkten.<\/li>\n<li><strong>Pr\u00fcfmomentgenauigkeit<\/strong>: Vergleichen Sie den PCE-extrahierten Mittelwert und die Varianz mit den Monte-Carlo-Sch\u00e4tzungen auf dem Validierungssatz.<\/li>\n<li><strong>Sensitivit\u00e4tsstabilit\u00e4t <\/strong>: Wenn sich die SOBOL-Indizes zwischen Training und Validierung signifikant \u00e4ndern, wird die PCE nicht konvergiert.<\/li>\n<li><strong>\u00dcberpr\u00fcfen Sie auf Gibbs-Oszillationen<\/strong>: PCE-Vorhersagen gegen ein Gitter. Nicht glatte Oszillationen weisen auf diskontinuierliche Antwortfehler hin.<\/li>\n<\/ol>\n<h3>Konvergenz\u00fcberwachung<\/h3>\n<p>Verfolgen Sie die Polynomreihenfolge und die Anzahl der Trainingspunkte. Wenn beide zunehmen, sollte der RMSE monoton abnehmen. Wenn RMSE mit h\u00f6herer Ordnung stagniert oder steigt, ist die Basis die \u00dcberanpassung der Trainingsdaten.<\/p>\n<pre><code class=\"language-python\"># Monitoring convergence as polynomial order increases\nfor order in [2, 3, 4, 5]:\n    expansion = cp.generate_expansion(order, distribution)\n    samples = distribution.sample(N)\n    evaluations = np.array([model(s) for s in samples])\n    pce = cp.fit_regression(expansion, samples.T, evaluations)\n    \n    # Validate\n    test = distribution.sample(N_test)\n    y_pred = np.array([pce(s) for s in test])\n    y_true = np.array([model(s) for s in test])\n    \n    rmse = np.sqrt(np.mean((y_pred - y_true)**2))\n    print(f\"Order {order}: RMSE = {rmse:.6f}\")\n<\/code><\/pre>\n<h2>h\u00e4ufige Fehler und wie man sie vermeidet<\/h2>\n<h3>1. Nicht \u00fcbereinstimmende Polynombasis<\/h3>\n<p>Die Verwendung von Legendre-Polynomen f\u00fcr Gau\u00dfsche Eingaben zerst\u00f6rt die Orthogonalit\u00e4t. Die Koeffizienten werden vorgespannt und die Momentextraktion ist ung\u00fcltig. Ordnen Sie die Polynomfamilie immer der Eingabeverteilung zu.<\/p>\n<h3>2. \u00dcberanpassung der Polynombasis<\/h3>\n<p>Ein Grad-5-Basis in 10 Parametern hat 2.002 Begriffe. Mit 2.000 Trainingspunkten ist die Regression kaum stabil. Verwenden Sie Informationskriterien (AIC, BIC) oder Kreuzvalidierung, um die Polynomreihenfolge auszuw\u00e4hlen.<\/p>\n<h3>3. Vertrauensvolle PCE-Momente ohne Validierung<\/h3>\n<p>Der Mittelwert und die von PCE-Koeffizienten extrahierten Varianz sind genaue mathematische Ausdr\u00fccke. Sie sind jedoch nur g\u00fcltig, wenn die Polynom-N\u00e4herung genau ist. Vor dem Melden von Momenten immer gegen unabh\u00e4ngige Testpunkte validieren.<\/p>\n<h3>4. Ignorieren des Gibbs-Ph\u00e4nomens<\/h3>\n<p>Bei diskontinuierlichen Reaktionen oszilliert das Polynom nahe Diskontinuit\u00e4ten. Melden Sie den RMSE in einem Raster, das Diskontinuit\u00e4tsregionen enth\u00e4lt. Wenn RMSE von einigen Oszillationspunkten dominiert wird, ist die PCE nicht g\u00fcltig.<\/p>\n<h3>5. Annahme von Sparsamkeit ohne \u00dcberpr\u00fcfung<\/h3>\n<p>Die Lasso- oder hyperbolische Verk\u00fcrzung geht davon aus, dass die Modellantwort von Wechselwirkungen niedriger Ordnung dominiert wird. Wenn das wahre Modell starke Interaktionen h\u00f6herer Ordnung aufweist, wird die sp\u00e4rliche PCE diese vermissen. \u00dcberpr\u00fcfen Sie die Sparsit\u00e4t, indem Sie die Koeffizientennormen von Full- vs. sp\u00e4rlichen Basen vergleichen.<\/p>\n<h2>Zusammenfassung und n\u00e4chste Schritte<\/h2>\n<p>Die Erweiterung des Polynom-Chaos wandelt einen deterministischen Simulator in einen stochastischen Surrogat um, der analytischen Zugriff auf Ausgabestatistiken, Unsicherheitsintervalle und Sensitivit\u00e4tsindizes bietet. Die Methode zeichnet sich aus, wenn die Antwort reibungslos ist, die Dimensionalit\u00e4t moderat ist und die Rechenkosten hoch genug sind, um die Ersatzkonstruktion zu rechtfertigen.<\/p>\n<h3>Empfohlener Arbeitsablauf<\/h3>\n<ol>\n<li><strong>\u00dcberpr\u00fcfen Sie die numerische Konvergenz<\/strong> des deterministischen Simulators vor UQ. Diskretisierungsfehler und numerische Unsicherheit sollten vor der Ausbreitung festgestellt werden.<\/li>\n<li><strong>Verteilungen von experimentellen Daten <\/strong> oder dokumentiertes Expertenurteil zuweisen. Standardm\u00e4\u00dfig nicht auf einheitliche Verteilungen setzen.<\/li>\n<li><strong>W\u00e4hlen Sie die Polynombasis<\/strong> aus, indem Sie Verteilungen mit orthogonalen Polynomen \u00fcbereinstimmen. \u00dcberpr\u00fcfen Sie die Orthonormalit\u00e4tsbedingungen.<\/li>\n<li><strong>W\u00e4hlen Sie eine Koeffizientensch\u00e4tzungsmethode <\/strong>: Regression f\u00fcr nicht-intrusive PCE, Quadratur f\u00fcr effiziente niederdimensionale F\u00e4lle, Kollokation f\u00fcr billige Modelle.<\/li>\n<li><strong>Validieren Sie den Ersatz<\/strong> gegen unabh\u00e4ngige Testpunkte und \u00fcberwachen Sie die Konvergenz mit zunehmender Polynomordnung.<\/li>\n<li><strong>Momente und Sensitivit\u00e4tsindizes melden<\/strong> Erst nach der Validierung. Schlie\u00dfen Sie Konfidenzintervalle f\u00fcr gesch\u00e4tzte Statistiken ein.<\/li>\n<\/ol>\n<h3>Was zu vermeiden<\/h3>\n<ul>\n<li>Verwenden von PCE f\u00fcr diskontinuierliche Antworten ohne Abschw\u00e4chung<\/li>\n<li>Angenommen, sp\u00e4rliches PCE funktioniert f\u00fcr jedes hochdimensionale Problem<\/li>\n<li>PCE-Momente ohne Validierung melden<\/li>\n<li>Verwirrende nicht-intrusive PCE mit intrusivem stochastischem Galerkin<\/li>\n<li>Verwenden von vollst\u00e4ndigen Polynombasis bei Problemen, bei denen die Basisgr\u00f6\u00dfe den Trainingssatz \u00fcberschreitet<\/li>\n<\/ul>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Unsicherheitsquantifizierung und Sensitivit\u00e4tsanalyse in der wissenschaftlichen Simulation<\/a> \u2014 breiterer UQ-Workflow, SoBol-Sensitivit\u00e4tsanalyse, Monte Carlo-Methoden und Python-UQ-Tools.<\/li>\n<li><a href=\"https:\/\/matforge.org\/monte-carlo-methods-for-scientific-simulations\/\">Monte Carlo-Methoden f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 Vergleichen Sie Stichproben, QMC, LHS und Konvergenzverhalten gegen St.<\/li>\n<li><a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinenlern-Surrogate f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 Erstellen und validieren Sie nebeneinander St.<\/li>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">Verifikation vs. Validierung in wissenschaftlichen Simulationen<\/a> \u2014 Etablieren Sie numerische Konvergenz vor dem Start Eine UQ-Kampagne.<\/li>\n<\/ul>\n<h2>Referenzen<\/h2>\n<ul>\n<li>Caflisch, R. E., &amp; Mosolova, N. (1998). Monte Carlo und Quasi-Monte Carlo Methoden. UCLA Cam-Bericht.<\/li>\n<li>Nov\u00e1k et al. (2023). Aktive Lerndom\u00e4ne adaptive lokalisierte Surrogate. <em>Computermethoden in angewandter Mechanik und Technik <\/em>. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0888327023006362\" target=\"_blank\" rel=\"nofollow noopener\"> doi <\/a><\/li>\n<li>Schneider (2023). Rationales Chaos-Expansion f\u00fcr Polynome. tum Dissertation. <a href=\"https:\/\/mediatum.ub.tum.de\/doc\/1779181\/o49dteqnqdu3dcf3r6r50dqfd.manuscript_final.pdf\" target=\"_blank\" rel=\"nofollow noopener\"> pdf <\/a><\/li>\n<li>Helmholtz UQ-W\u00f6rterbuch. Eintrag f\u00fcr die Erweiterung des Polynom-Chaos. <a href=\"https:\/\/dictionary.helmholtz-uq.de\/content\/PCE.html\" target=\"_blank\" rel=\"nofollow noopener\"> url <\/a><\/li>\n<li>COMSOL-Lernzentrum. Ersatzmodellierungstheorie und PCE. <a href=\"https:\/\/www.comsol.com\/support\/learning-center\/course\/surrogate-modeling-theory-271\/more-on-pce-surrogate-models-97121\" target=\"_blank\" rel=\"nofollow noopener\"> url <\/a><\/li>\n<\/ul>\n<h2>Ben\u00f6tigen Sie Hilfe beim Erstellen von PCE-Surrogaten f\u00fcr Ihre Simulationen?<\/h2>\n<p>Wenn Sie mit der Implementierung von Polynom-Chaos, der Auswahl der Basis, der sp\u00e4rlichen PCE-Regularisierung oder der Ersatzvalidierung zu k\u00e4mpfen haben, k\u00f6nnen wir Ihnen helfen. Wir spezialisieren uns auf Python-basierte Unsicherheitsquantifizierungs-Workflows und k\u00f6nnen Sie von grundlegenden PCE-Skripten zu produktionstechnischen Ersatzpipelines f\u00fchren.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 11<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Die Polynom-Chaos-Expansion ist eine Surrogat-Modellierungstechnik, die eine teure Simulation durch eine Reihe orthogonaler Polynome ersetzt, deren Koeffizienten verwendet werden k\u00f6nnen, um die Unsicherheit direkt zu sch\u00e4tzen. Einmal angepasst, bietet Ihnen ein PCE-Surrogat analytische Zugriff auf Ausgabemittel, Abweichungen, Konfidenzintervalle und SOBOL-Sensitivit\u00e4tsindizes, ohne eine einzige zus\u00e4tzliche Simulation durchzuf\u00fchren. Dieser Artikel behandelt PCE von der theoretischen Grundlage bis [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"de_DE","_original_post":"https:\/\/matforge.org\/?p=536","iawp_total_views":0,"footnotes":""},"categories":[2],"tags":[],"class_list":["post-891","post","type-post","status-publish","format-standard","hentry","category-fipy-documentation-examples-development","de-DE"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  11 minutesDie Polynom-Chaos-Expansion ist eine Surrogat-Modellierungstechnik, die eine teure Simulation durch eine Reihe orthogonaler Polynome ersetzt, deren Koeffizienten verwendet werden k\u00f6nnen, um die Unsicherheit direkt zu sch\u00e4tzen. Einmal angepasst, bietet Ihnen ein PCE-Surrogat analytische Zugriff auf Ausgabemittel, Abweichungen, Konfidenzintervalle und SOBOL-Sensitivit\u00e4tsindizes, ohne eine einzige zus\u00e4tzliche Simulation durchzuf\u00fchren. Dieser Artikel behandelt PCE von der theoretischen Grundlage bis [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-30T12:23:21+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"17\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung\",\"datePublished\":\"2026-07-30T12:23:21+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/\"},\"wordCount\":2676,\"commentCount\":0,\"articleSection\":[\"FIPY: Dokumentation, Beispiele &amp; Entwicklung\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/\",\"name\":\"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-30T12:23:21+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/polynomial-chaos-expansions-surrogate-methods\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/","og_locale":"de_DE","og_type":"article","og_title":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung - matforge.org","og_description":"Reading Time:  11 minutesDie Polynom-Chaos-Expansion ist eine Surrogat-Modellierungstechnik, die eine teure Simulation durch eine Reihe orthogonaler Polynome ersetzt, deren Koeffizienten verwendet werden k\u00f6nnen, um die Unsicherheit direkt zu sch\u00e4tzen. Einmal angepasst, bietet Ihnen ein PCE-Surrogat analytische Zugriff auf Ausgabemittel, Abweichungen, Konfidenzintervalle und SOBOL-Sensitivit\u00e4tsindizes, ohne eine einzige zus\u00e4tzliche Simulation durchzuf\u00fchren. Dieser Artikel behandelt PCE von der theoretischen Grundlage bis [&hellip;]","og_url":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/","og_site_name":"matforge.org","article_published_time":"2026-07-30T12:23:21+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Elena Markovska","Gesch\u00e4tzte Lesezeit":"17\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung","datePublished":"2026-07-30T12:23:21+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/"},"wordCount":2676,"commentCount":0,"articleSection":["FIPY: Dokumentation, Beispiele &amp; Entwicklung"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/","url":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/","name":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-30T12:23:21+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"breadcrumb":{"@id":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/de\/polynomial-chaos-expansions-surrogate-methods\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/de\/"},{"@type":"ListItem","position":2,"name":"Polynom-Chaos-Erweiterungen: Schnelle Surrogate f\u00fcr Unsicherheitsausbreitung"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/891","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=891"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/891\/revisions"}],"predecessor-version":[{"id":1017,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/891\/revisions\/1017"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=891"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=891"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=891"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}