La quantification de l'incertitude (UQ) est une technique statistique permettant de prédire de nombreux phénomènes complexes tels que les conditions météorologiques et les risques de tsunami. Cela implique la combinaison de données réelles (par exemple, des mesures météorologiques) avec des équations mathématiques pour modéliser des systèmes physiques bien compris. Ces modèles complexes sont généralement associés soit à des objets de grande dimension, de grands ensembles de données ou peut-être les deux. Dans de tels scénarios, il est important que la méthodologie de calcul requise pour estimer de tels modèles soit économe en ressources. Prof Ajay JASRA du Département de statistique et probabilités appliquées, NUS et ses collaborateurs ont proposé une approche plus efficace pour effectuer des calculs UQ.

Pour les problèmes UQ, la méthode de Monte Carlo permet à l'utilisateur d'approcher numériquement des quantités d'intérêt de manière efficace. Bien qu'il existe une version améliorée, connue sous le nom de méthode Multilevel Monte Carlo (MLMC), il est difficile de l'utiliser pour les problèmes UQ. méthodes MLMC, pour les problèmes UQ associés aux données n'est pas trivial à appliquer. C'est parce que l'approximation de la distribution de probabilité associée, ce qui est nécessaire pour que la méthode MLMC fonctionne n'est pas toujours possible en utilisant une simulation indépendante. Dans leur récent article, Le professeur Jasra et ses collaborateurs ont développé une nouvelle approche qui permet à MLMC de résoudre les problèmes UQ sans compromettre une précision de haut niveau tout en utilisant moins de ressources de calcul.

Dans le futur, les chercheurs prévoient d'étendre leurs méthodes statistiques pour s'attaquer à un plus grand nombre de problèmes. Les méthodes statistiques intégreront également la méthode de Monte Carlo multi-indices qui est une méthode moins exigeante en termes de calcul avec une précision similaire à celle du MLMC.

Le professeur Jasra a dit, "Les idées de ce travail peuvent aider à élargir la classe des modèles utilisés pour les problèmes de quantification de l'incertitude, comme pour les prévisions météorologiques."