多項式カオス展開（PCE）による不確かさ定量化
理論と物理
PCEの全体像
先生、多項式カオス展開（PCE）ってモンテカルロ法より効率的だって聞いたんですけど、本当ですか？
入力次元が少なければ——ざっくり5〜10個以下なら——圧倒的に効率的だよ。例えば自動車のクラッシュ解析で材料のヤング率、板厚、摩擦係数の3パラメータを不確かとする場合を考えてみよう。モンテカルロ法だと統計量を安定させるのに10,000回くらいFEMを回す必要がある。でもPCEなら、わずか50〜100回程度のFEM実行で同等以上の精度が出せるんだ。
え、100分の1の計算量で済むってことですか？ どういう仕組みなんですか？
ポイントは「応答曲面を多項式で近似する」という発想だ。入力パラメータの不確かさを確率変数 $\boldsymbol{\xi}$ として表現し、出力量 $Y$ をHermiteやLegendreなどの直交多項式の線形結合で展開する。一度この近似式（サロゲートモデル）を構築してしまえば、そこから平均・分散・確率密度関数・感度指標を解析的に計算できる。追加のシミュレーションは一切不要だよ。
なるほど、モンテカルロが「ひたすらサイコロを振る」のに対して、PCEは「賢い関数近似を作ってしまう」わけですね！
その通り。ただし注意点もある。入力パラメータが20個以上になると、多項式の項数が爆発的に増えて効率が落ちる。これを「次元の呪い」と呼ぶ。後で詳しく話すけど、この弱点を克服するためにスパースPCEや適応的手法が研究されているんだ。
直交多項式基底の選択
HermiteとかLegendreとか、いくつか多項式の名前が出てきましたけど、どう使い分けるんですか？
これが実はPCEの根幹に関わる大事なポイントでね。入力変数の確率分布に応じて最適な直交多項式族が決まる——これを「Wiener-Askey対応」と呼ぶんだ。
| 入力の確率分布 | 最適な直交多項式 | 定義域 | 代表的な応用 |
|---|---|---|---|
| 正規分布（ガウス） | Hermite多項式 | $(-\infty, +\infty)$ | 材料特性のばらつき |
| 一様分布 | Legendre多項式 | $[-1, 1]$ | 設計パラメータの範囲指定 |
| ベータ分布 | Jacobi多項式 | $[-1, 1]$ | 制約付きパラメータ |
| ガンマ分布 | Laguerre多項式 | $[0, +\infty)$ | 荷重の正値分布 |
| ポアソン分布 | Charlier多項式 | $\{0, 1, 2, \ldots\}$ | 離散的な事象数 |
分布ごとに「相性のいい多項式」が決まっているんですね。もし間違った組み合わせにしたらどうなりますか？
収束が遅くなるか、最悪の場合は発散する。例えば一様分布の入力にHermite多項式を使うと、本来は3次で十分な問題でも10次以上必要になったりする。実務では「ヤング率は正規分布だからHermite」「板厚の公差は一様分布だからLegendre」といった形で、パラメータごとに適切な多項式を選んでテンソル積で組み合わせるんだ。
支配方程式と展開式
PCEの基本式を教えてもらえますか？
$d$ 個の確率変数 $\boldsymbol{\xi} = (\xi_1, \ldots, \xi_d)$ に対する出力 $Y$ のPCE展開はこうなる：
ここで各記号の意味は：
- $c_{\boldsymbol{\alpha}}$ — PCE係数（求めたい未知数）
- $\Psi_{\boldsymbol{\alpha}}(\boldsymbol{\xi})$ — 多変量直交多項式基底
- $\boldsymbol{\alpha} = (\alpha_1, \ldots, \alpha_d)$ — 多重指標（各変数の多項式次数）
- $\mathcal{A}$ — 打切り後のインデックス集合
多変量の直交多項式って、具体的にはどうやって作るんですか？
各変数の1変量直交多項式のテンソル積で構成する：
例えば $d=2$ で $\xi_1$ が正規分布（→Hermite $He_k$）、$\xi_2$ が一様分布（→Legendre $P_l$）なら、$\Psi_{(2,1)}(\boldsymbol{\xi}) = He_2(\xi_1) \cdot P_1(\xi_2)$ という形になる。直交性とは、内積がゼロになること：
直交性があるから、フーリエ級数みたいに各係数を個別に決められるわけですね！
まさにその通り。フーリエ級数との類似で考えると理解しやすいね。フーリエ級数は周期関数を三角関数（直交基底）で展開する。PCEは確率的応答を直交多項式で展開する。原理は全く同じだ。
係数から統計量を求める
PCE係数が求まったら、平均や分散はどうやって計算するんですか？
ここがPCEの最も美しいところだ。直交性のおかげで、統計量が係数から直接求まる：
平均値（0次項の係数がそのまま平均）：
分散（1次以上の係数の二乗和）：
え、分散って係数の二乗を足すだけで出るんですか！ モンテカルロみたいに何万回もサンプリングしなくていいんですね。
さらに歪度（Skewness）や尖度（Kurtosis）、確率密度関数まで解析的に求まる。例えば確率密度関数は、PCEの近似式 $Y(\boldsymbol{\xi})$ にモンテカルロサンプリングをかけるんだけど、これはFEMではなく多項式の評価だから一瞬で終わる。10万サンプルでもミリ秒オーダーだ。
Sobol感度指標の導出
PCEから感度解析もできると聞いたんですけど？
これがPCEの殺し技とも言える機能だ。Sobol感度指標がPCE係数から直接計算できる。第 $i$ 変数の1次Sobol指標は：
ここで $\mathcal{A}_i$ は「$\xi_i$ のみに依存する項の集合」（つまり $\alpha_j = 0 \; \forall j \neq i$ かつ $\alpha_i > 0$）だ。全次Sobol指標 $S_i^T$ も同様に、「$\xi_i$ が絡む全ての項」の係数から求まる。
具体例で教えてもらえますか？ 例えば3パラメータの問題では？
いい質問だ。例えば溶接部の残留応力予測で、入力パラメータが熱入力 $Q$、溶接速度 $v$、予熱温度 $T_0$ の3つだとする。PCEで展開して係数を求めた結果、$S_Q = 0.65$、$S_v = 0.22$、$S_{T_0} = 0.08$ と出たら、残留応力のばらつきの65%は熱入力の不確かさに起因していることが分かる。これで「熱入力の管理を最優先にすべき」という設計判断に直結するわけだ。
各項の物理的意味
- PCE係数 $c_{\boldsymbol{\alpha}}$：出力の変動に対する各多項式基底の寄与度を表す。大きな係数を持つ項が出力の不確かさを支配する。
- 直交多項式基底 $\Psi_{\boldsymbol{\alpha}}$：入力の確率空間における「基底ベクトル」に相当する。直交性により、各基底の寄与を独立に定量化できる。
- 打切り次数 $p$：展開の精度を制御するパラメータ。次数が高いほど精度は上がるが、項数が増えて計算コストも増大する。実務では $p=2\sim5$ が一般的。
展開項数の計算
入力変数が $d$ 個、全次数打切り $p$ のとき、展開項数 $P$ は：
$$ P = \binom{d+p}{p} = \frac{(d+p)!}{d! \, p!} $$| 入力次元 $d$ | 次数 $p=2$ | 次数 $p=3$ | 次数 $p=4$ |
|---|---|---|---|
| 3 | 10 | 20 | 35 |
| 5 | 21 | 56 | 126 |
| 10 | 66 | 286 | 1,001 |
| 20 | 231 | 1,771 | 10,626 |
数値解法と実装
Galerkin射影法（侵入的PCE）
PCE係数を求める方法にはどんなものがありますか？
大きく分けて2つの方法がある。まずはGalerkin射影法（侵入的PCE）から説明しよう。直交性を利用して、PCE係数 $c_{\boldsymbol{\alpha}}$ を内積で求める：
理論的にはきれいですけど、実際にどう計算するんですか？ 期待値の計算にはFEMの結果が必要ですよね？
鋭い指摘だ。Galerkin射影法では、支配方程式の中にPCE展開を代入して、ソルバー自体を改造する必要がある。例えば構造解析の剛性方程式 $[K(\boldsymbol{\xi})]\{u(\boldsymbol{\xi})\} = \{F(\boldsymbol{\xi})\}$ に対して、$K$ も $u$ も $F$ もPCE展開して、各基底への射影で連立方程式を導く。理論的には最も精度が高いけど、既存のFEMソルバーの内部を書き換える必要があるため、実務では使いにくい。これが「侵入的（intrusive）」と呼ばれる理由だ。
配置法・回帰法（非侵入的PCE）
ソルバーを改造しなくてもいい方法はないんですか？
あるよ。実務で圧倒的に使われているのが非侵入的PCE（Non-Intrusive PCE）だ。既存のFEMソルバーをブラックボックスとして扱える。やり方は：
- $N$ 個のサンプル点 $\{\boldsymbol{\xi}^{(1)}, \ldots, \boldsymbol{\xi}^{(N)}\}$ を生成
- 各サンプル点でFEMを実行し、出力 $\{Y^{(1)}, \ldots, Y^{(N)}\}$ を取得
- 最小二乗法で係数を推定
行列形式で書くと $\hat{\mathbf{c}} = (\boldsymbol{\Psi}^T \boldsymbol{\Psi})^{-1} \boldsymbol{\Psi}^T \mathbf{Y}$ だ。ここで $\boldsymbol{\Psi}$ は $N \times P$ の計画行列（$\Psi_{k,\boldsymbol{\alpha}} = \Psi_{\boldsymbol{\alpha}}(\boldsymbol{\xi}^{(k)})$）。AbaqusでもAnsysでもOpenFOAMでも、ソルバーの出力さえあれば使える。
$N$ は最低いくつ必要なんですか？
最低条件は $N \geq P$（項数以上のサンプル）だけど、実務ではオーバーサンプリング比 2〜3倍が推奨される。つまり $N = 2P \sim 3P$ だ。例えば $d=5$、$p=3$ なら $P=56$ 項だから、$N = 112 \sim 168$ 回のFEM実行が必要になる。
数値積分則の選択
サンプル点ってランダムに選んでいいんですか？ それとも何か決まりがありますか？
いい質問だ。サンプル点の選び方（実験計画法）はPCEの精度に直結する。主要な手法を比較しよう：
| サンプリング手法 | 特徴 | 必要サンプル数 | 推奨場面 |
|---|---|---|---|
| テンソル積求積法 | 各軸に独立にGauss点を配置 | $(p+1)^d$（指数的増加） | $d \leq 3$ の低次元 |
| Smolyakスパース格子 | テンソル積の「間引き」版 | 大幅に削減 | $d = 4 \sim 15$ |
| Latin Hypercube | 空間充填型の準ランダムサンプリング | 自由に設定可 | 回帰法ベースのPCE |
| Sobolシーケンス | 低食い違い量列による準乱数 | 自由に設定可 | 高次元の回帰法 |
テンソル積だと5次元で $(p+1)^5$ …… 4次だと $5^5 = 3125$ 回もFEM実行が必要になりますね。現実的じゃない！
だからSmolyakスパース格子が重要なんだ。テンソル積の格子点から「効果の低い組み合わせ」を取り除いて、サンプル数を劇的に削減する。5次元・4次でも数百点で済む。実務ではSmolyak格子か、Latin Hypercubeサンプリング＋回帰法の組み合わせが最も広く使われているよ。
収束性と打切り誤差
PCEの次数 $p$ はどうやって決めればいいですか？
これはPCEの精度と計算コストのトレードオフだ。一般に、滑らかな応答に対してはPCEの打切り誤差は指数的に減衰する（スペクトル収束）：
実務的にはLeave-One-Out交差検証誤差（LOO-CV）を使って最適な次数を決める。これが最も信頼性が高い。$p=2$ から始めて、LOO-CV誤差が十分小さくなるまで次数を上げていく。多くの工学問題では $p=3\sim4$ で十分だよ。
「十分小さい」って具体的にはどのくらいですか？
LOO-CV誤差の相対値で $10^{-2}$（1%）以下を目標にするのが一般的だ。$10^{-3}$ 以下なら非常に良い近似と言える。ただし不連続性がある応答（例えば座屈の有無）ではスペクトル収束が得られず、次数を上げても改善しない。そういう場合はPCEの適用自体を再検討すべきだね。
実践ガイド
PCE解析ワークフロー
PCEを実際にやるとき、最初の一歩から教えてもらえますか？
PCEのワークフローは5ステップだ：
- 入力不確かさの特定：どのパラメータが不確かか？ その確率分布は？（正規、一様、ベータ等）
- 実験計画の設計：Smolyak格子やLatin Hypercubeでサンプル点を生成
- シミュレーション実行：各サンプル点でFEM/CFDを実行（ここが計算コストの大部分）
- PCE係数の推定：回帰法や射影法で $c_{\boldsymbol{\alpha}}$ を計算
- 後処理：統計量、Sobol指標、確率密度関数の算出
ステップ1の「分布の特定」って、現場ではどうやるんですか？ 正規分布か一様分布か、どうやって判断するんですか？
実務ではこう判断する：
- 実測データがある場合：ヒストグラムからKolmogorov-Smirnov検定等で分布を同定
- データが少ない場合：平均と標準偏差だけ分かれば正規分布を仮定。上下限だけなら一様分布
- データが全くない場合：専門家の判断で「このパラメータは公差±5%の一様分布」のように仮定
例えば鋼材のヤング率は $E = 206 \pm 5$ GPa（正規分布、COV≈2.5%）が典型的。板厚の製造公差は一様分布で扱うことが多いね。
次元の呪いと対策
さっき「次元の呪い」って話が出ましたけど、具体的にはどこから問題になるんですか？
経験則としては、こういう目安だ：
| 入力次元 $d$ | PCEの実用性 | 推奨戦略 |
|---|---|---|
| $d \leq 5$ | 非常に効率的 | 通常のフルPCE（$p=3\sim4$） |
| $5 < d \leq 15$ | 効率的（工夫すれば） | スパースPCE、適応的手法 |
| $15 < d \leq 30$ | 要注意 | 次元削減（主成分分析）＋スパースPCE |
| $d > 30$ | 非効率の可能性 | モンテカルロ法の方が現実的な場合も |
材料特性や幾何パラメータを全部不確かにしたら20個くらいすぐいきそうですね…… どうすればいいですか？
現場で実際にやる手順はこうだ：
- スクリーニング：まずMorris法やOne-At-a-Time（OAT）解析で、影響の小さいパラメータを特定して固定値にする。20個のうち本当に効くのは5〜8個程度であることが多い
- 次元削減：相関のあるパラメータは主成分分析（PCA）やKarhunen-Loeve展開で低次元化
- スパースPCE：LAR（Least Angle Regression）で重要な項だけを自動選択
例えば鋳造品の寸法不確かさ（20箇所のノード変位）をKL展開で5モードに圧縮してからPCEをかける、といった使い方が実務では多いよ。
PCE vs モンテカルロの使い分け
結局、PCEとモンテカルロ法はどう使い分ければいいんですか？
明確な判断基準がある：
| 判断基準 | PCEが有利 | モンテカルロが有利 |
|---|---|---|
| 入力次元 | $d \leq 10\sim15$ | $d > 20$ または非常に多数 |
| 応答の滑らかさ | 滑らかな応答関数 | 不連続性・急激な変化がある場合 |
| 感度解析 | Sobol指標が副産物で得られる | 別途計算が必要 |
| 裾確率の推定 | サロゲート上でサンプリング | 稀事象には重点サンプリングが必要 |
| FEM1回の計算時間 | 1回数時間以上→PCEで回数削減 | 1回数秒→モンテカルロで十分 |
| ソルバーの改造 | 非侵入的PCEなら不要 | 一切不要 |
FEM 1回が3時間かかるケースなら、モンテカルロ10,000回は30,000時間≒3.4年…… それがPCE 100回で300時間≒12.5日で済むわけですか。
その通り。自動車の衝突解析（1回6〜12時間）や航空機の構造最適化（1回2〜4時間）のように計算コストが高い問題では、PCEの威力は圧倒的だ。逆にCFDの簡易2Dモデル（1回10秒）ならモンテカルロで1000回回しても3時間程度だから、PCEの導入オーバーヘッドに見合わない場合もある。
実務上の注意点
教科書には載ってない「現場の知恵」的なものってありますか？
実務で何度も痛い目に遭って学んだことをまとめると：
- 前処理をサボるな：入力変数を標準化（平均0、分散1）してからPCE展開すること。スケールが異なるパラメータを生のまま混ぜると数値不安定になる
- LOO-CVを必ずチェック：LOO-CV誤差が $10^{-1}$ 以上なら、PCEの近似が不十分。次数を上げるかサンプル数を増やす
- 外れ値に注意：1つのFEM実行が異常終了したり非物理的な値を返すと、PCE全体が汚染される。異常サンプルの検出・除外のロジックを組み込むこと
- 結果の妥当性確認：PCEから得た統計量を、少数（20〜50回）のモンテカルロサンプリングと比較して大まかに検証する
- 並列化を活用：非侵入的PCEではサンプル点ごとのFEM実行が完全に独立。HPCクラスタで全サンプルを並列実行できる
PCEのたとえ
PCEは「地形測量」に似ている。地形全体を1cm刻みで測量するのがモンテカルロ法（網羅的だが膨大な手間）。一方、戦略的に選んだ数十箇所の標高データから等高線マップを描くのがPCE。少ないデータで地形の全体像を把握できるが、急峻な崖（不連続性）は見落とす可能性がある。
初心者が陥りやすい落とし穴
最も多い失敗は「高次元問題にフルPCEを適用してしまう」こと。入力15個・3次で $P=816$ 項。$2P=1632$ 回のFEM実行が必要で、モンテカルロ1000回の方が早くなる。PCEを使う前に、必ずスクリーニングで入力次元を削減すること。
ソフトウェア比較
PCE対応ツール一覧
PCEを実際にやるにはどんなソフトウェアがありますか？
OSSから商用まで幅広い選択肢がある。目的別にまとめよう：
| ツール名 | 種別 | 言語 | 特徴 |
|---|---|---|---|
| UQLab | アカデミック（MATLAB） | MATLAB | ETH開発。スパースPCE、適応的手法が充実。論文実装が早い |
| OpenTURNS | OSS | Python/C++ | EDF/Airbus/Phimeca共同開発。機能網羅。産業実績豊富 |
| Chaospy | OSS | Python | 軽量で使いやすい。学習コストが低い |
| Dakota | OSS | C++ | Sandia国立研究所開発。UQ＋最適化の統合環境 |
| Ansys optiSLang | 商用 | GUI | Ansys製品群と完全統合。MOP（多項式近似）対応 |
| SimLab / COSSAN | 商用/アカデミック | MATLAB | 信頼性工学に強い。構造信頼性解析との連携 |
| Uncertainty Toolbox（UT） | OSS | Python | キャリブレーション・シャープネス等のUQ評価指標 |
機能比較
予算も人材も限られる中堅メーカーだと、どれがおすすめですか？
状況別に推奨するとこうなる：
- Pythonに慣れたチーム：OpenTURNS一択。ドキュメントが充実しており、FEMソルバーとの連携も柔軟
- MATLABユーザー：UQLab。学術界のデファクトスタンダードで、最新手法の実装が最も早い
- Ansysをメインで使っている場合：optiSLang。Workbenchとのシームレスな統合が最大の利点
- とりあえず試したい：Chaospy。pip install一発で入って、10行程度のコードでPCEが組める
大事なのは「FEMソルバーとの連携のしやすさ」だ。非侵入的PCEはFEMをブラックボックスとして呼ぶので、入力ファイルの自動生成と出力パースの自動化がキーポイントになる。
OpenTURNSの場合、AbaqusやOpenFOAMとの連携ってどうやるんですか？
OpenTURNSの PythonFunction クラスを使って、「パラメータを受け取り→入力ファイルを書き換え→FEMを実行→結果を読み取る」というラッパー関数を書く。Abaqusなら .inp ファイルのパラメータ行をPythonで書き換えて abaqus job=xxx で実行、.odb から結果を抽出。OpenFOAMなら辞書ファイルの書き換えと foamRun の呼び出し。この自動化スクリプトさえ作れば、あとはOpenTURNSがサンプル生成からPCE構築まで全部やってくれる。
先端技術
スパースPCEと適応的手法
次元の呪い対策としてスパースPCEが出てきましたけど、具体的にはどういう仕組みですか？
通常のフルPCEは $\binom{d+p}{p}$ 個の全ての項を使うけど、実際には大部分の係数がほぼゼロだ。スパースPCEは重要な項だけを自動選択する手法で、LAR（Least Angle Regression）アルゴリズムが標準的に使われる：
$L_1$ 正則化（LASSO）により、不要な係数を自動的にゼロに押しつぶす。$d=20$、$p=3$ のフルPCEでは1,771項が必要だけど、スパースPCEなら実効的に50〜100項で済むことが多い。必要なFEM実行数も劇的に減る。
1,771項が50項に！ どのくらいサンプル数を節約できるんですか？
UQLab（ETH）のベンチマークでは、$d=20$ の問題でフルPCEが3,500サンプル必要なところを、スパースPCEは200〜400サンプルで同等の精度を達成している。さらに適応的スパースPCE（段階的に次数と項を増やす手法）を使えば、さらに効率的だ。
機械学習との融合
最近は機械学習がどこにでも入ってきてますけど、PCEとの関係はどうですか？
面白い研究がたくさん出てきている：
- PCE-Kriging（PC-Kriging）：PCEの全体的なトレンド＋Gaussianプロセスの局所的な補正を組み合わせる。PCE単体より高精度で、Kriging単体より解釈性が高い
- Deep PCE：ニューラルネットワークの出力層をPCE基底に置き換える。入力の非線形変換をNNが担い、不確かさ伝播をPCEが担う
- Physics-Informed PCE：支配方程式の制約をPCEの係数推定に組み込む。少ないデータでも物理的に整合する近似が得られる
特にPC-Krigingは実務で実績が出始めていて、OpenTURNSやUQLabで使えるよ。
マルチフィデリティPCE
粗いモデルと精密なモデルの両方を活用する方法はありますか？
まさにそれがマルチフィデリティPCEだ。例えばフルモデル（1回12時間）と簡略化モデル（1回5分）がある場合：
- 簡略化モデルで500回実行してPCE（低精度）を構築
- フルモデルで20〜30回だけ実行
- 低精度PCEと高精度データの差分をPCEで補正
これで、フルモデル100回相当の精度をフルモデル30回＋簡略化モデル500回で達成できる。自動車OEMのクラッシュ解析UQでは、ビームモデル（低忠実度）＋シェルモデル（高忠実度）の組み合わせで実用化されているよ。
トラブルシューティング
よくあるエラーと対策
先生もPCEで徹夜デバッグしたことありますか？
何度もあるよ（笑）。典型的な問題と対策をまとめておこう：
| 症状 | 考えられる原因 | 対策 |
|---|---|---|
| LOO-CV誤差が大きい（$> 0.1$） | 多項式次数不足 or サンプル数不足 | 次数を $p+1$ に上げる。サンプルを $1.5\sim2$ 倍に増やす |
| 分散が負の値になる | 数値誤差、過適合 | スパースPCEに切り替え。正則化パラメータを調整 |
| Sobol指標の合計が1を超える | 交互作用項の重複カウント | 1次指標の合計は $\leq 1$。全次指標の合計は $\geq 1$。定義を確認 |
| PCE予測が外挿で発散 | 高次多項式の振動（Runge現象） | 次数を下げる。外挿範囲を制限する |
| 一部のサンプルでFEMが異常終了 | 極端なパラメータ値で非物理的 | サンプル点を制約付きにする。異常値を除外してPCE再構築 |
| 計算行列 $\boldsymbol{\Psi}^T\boldsymbol{\Psi}$ が特異 | サンプル数 $<$ 項数、または線形従属 | $N \geq 2P$ を確保。サンプル配置を再設計 |
特に「Runge現象」って何ですか？
高次の多項式補間でデータ点の間で激しく振動する現象だ。PCEでも $p$ を上げすぎると、サンプル点の間で非物理的な振動が起きる。例えば $p=8$ のPCEが $p=4$ より精度が悪くなるケースがある。だからLOO-CVで最適次数を選ぶことが重要なんだ。
デバッグチェックリスト
PCEがうまくいかないとき、何を順番にチェックすればいいですか？
このチェックリストを上から順にやっていくといい：
- 入力データの確認：全サンプル点のFEMが正常に終了しているか？ NaNやInfが混ざっていないか？
- 分布の妥当性：入力変数の分布仮定は正しいか？ ヒストグラムで可視化して確認
- 基底の適切性：Wiener-Askey対応に従って正しい多項式族を選んでいるか？
- サンプル数の充足：$N / P$ 比が2以上あるか？
- LOO-CV誤差：$Q^2_{\text{LOO}} > 0.99$（理想）、最低でも $> 0.9$ か？
- 収束の確認：$p$ を1つ上げて結果が大きく変わらないか？
- 物理的妥当性：PCEが予測する平均・分散は物理的に妥当な範囲か？
- 検証サンプル：20〜50個の独立なサンプルでPCE予測と比較しているか？
先生、ありがとうございます！ PCEの全体像がかなり見えてきました。まずは少ないパラメータの問題でChaospyを使って試してみます。
いいね！ まず $d=2\sim3$ の簡単な問題で一通りの流れ（サンプリング→FEM→PCE構築→統計量算出→Sobol指標）を体験してみるのが一番の近道だよ。分析結果をモンテカルロ法と比較して精度を確認することも忘れずに。頑張って！
なった
詳しく
報告