综述：计算化学中的不确定性量化：方法、应用与展望

《Chemical Reviews》：Uncertainty Quantification for In Silico Chemistry

　　

研究人员针对计算化学领域中模型误差与数值误差交织的复杂性，系统阐述了不确定性量化（UQ）的理论框架与算法体系。首先明确了概率分布、期望值、方差及协方差等统计基础概念，区分了随机不确定性与认知不确定性的本质差异。在敏感性分析层面，详细介绍了Sobol’指数分解的方差分析法（ANOVA），推导了各阶灵敏度指数的数学表达及其归一化性质。采样方法部分涵盖了蒙特卡洛（MC）估计的根均方误差收敛特性O(N-1/2)、重采样方案（Bootstrap、Jackknife）、拟蒙特卡洛的低差异序列优势，以及稀疏网格积分对维数灾难的缓解机制。谱方法章节重点讨论了随机配置法与多项式混沌展开（PCE）的正交多项式构造原理，包括Legendre多项式与Hermite多项式的概率适配性。多层级与多保真方法通过构建精度-成本异构模型体系，实现了计算资源的高效分配。代理模型部分强调了高斯过程（GP）作为贝叶斯先验分布的推导过程，给出了观测数据下后验分布的解析表达式。最后，研究人员综述了ChaosPy、DAKOTA、OpenTURNS等主流UQ软件工具，并指出维度约简与主成分分析在降低高维参数空间计算复杂度中的关键作用，为计算化学的误差控制提供了系统性解决方案。

3.3.2 局部敏感性分析：基于扰动的不确定性量化

局部敏感性分析又称扰动法，适用于输入参数x在参考值x₀附近存在幅值h₀的有界随机波动场景。研究人员通过对模型函数f(x)进行泰勒展开，建立了输出统计量（如均值）与输入扰动统计量（如E[h]、E[h²]）之间的解析关联。该方法在小扰动假设下，相比采样方法具有更高的精度与显著的计算效率优势，其所需统计量可通过闭式求解或高效数值方法获得，且在贝叶斯反问题求解中亦具有扩展应用潜力。

3.4 采样方法

3.4.1 蒙特卡洛方法

蒙特卡洛估计器是计算统计量的基础工具，通过对概率分布ρ(x)的独立同分布样本求平均来近似期望值E[f]。其核心特性在于根均方误差服从O(N^-1/2)收敛速率，且存在失败概率的上界估计。尽管收敛速度较慢，但该方法仅需假设f的方差有限且可采样，实现最为简单。方差缩减技术与马尔可夫链蒙特卡洛（MCMC）方法（如自适应MCMC、哈密顿蒙特卡洛）可有效改善其性能缺陷。

3.4.2 重采样方案

当无法直接对目标随机变量X的概率分布ρ采样时，可利用已有的有限样本集X={X₁, ..., X_M}进行重采样。根据具体实现方式的不同，可分为有放回的重采样检验、无放回的刀切法（Jackknife）以及自助法（Bootstrap）。此类方法的统计可靠性高度依赖于现有样本集对总体分布的表征程度，但在样本量M趋于无穷时，经验累积分布函数可合理收敛于真实分布。

3.4.3 求积方法：拟蒙特卡洛与稀疏网格

求积方法将蒙特卡洛的随机采样替换为确定性节点与权重。拟蒙特卡洛方法采用低差异序列与均匀权重1/N，在积分函数具备一阶混合正则性时，收敛速率可达几乎O(N^-1+δ)（δ>0），且结果为确定性近似。传统张量积求积面临维数灾难，稀疏网格方法则通过组合嵌套的一维求积公式，利用差分算子重构多维积分，在满足混合正则性条件下，误差界可优化至O(N^-r(log N)^(d-1)(r+1))，有效突破了维数限制。

3.4.4 谱方法：随机配置与多项式混沌

谱方法属于代理模型范畴，基于多项式逼近光滑模型函数。随机配置法利用拉格朗日插值多项式在预设节点上重构函数，结合稀疏网格技术可缓解高维压力。多项式混沌展开（PCE）则选用关于概率测度的正交多项式基（如正态分布对应Hermite多项式，均匀分布对应Legendre多项式），通过内积投影计算系数。一旦获得逼近多项式，即可高效计算均值、方差及灵敏度指标，稀疏PCE进一步解决了全阶展开带来的维数灾难问题。

3.4.5 多层与多保真方法

多层方法利用模型精度的多层次嵌套结构，将高精度模型期望表示为粗糙模型期望与一系列层间差分的叠加，通过为不同精度层级分配最优样本量，显著降低总计算成本。多保真蒙特卡洛方法进一步推广至不同物理模型构成的层次体系，引入控制变量（α_k）协调高低保真模型间的采样，在保持估计精度的同时，将昂贵高精度模型的调用次数降至最低。

3.5 代理模型

代理模型指高保真模型的廉价近似，在多保真方法中常作为低保真模型以降低采样成本。

3.5.1 代理建模与机器学习

从抽象视角看，代理模型通过拟合训练集的超参数建立映射关系。其误差源于理论水平误差与数值误差，目前各类机器学习方法在代理建模中的应用广泛，但其逼近性质的理论研究仍在持续深入。

3.5.2 高斯过程

高斯过程由均值函数m(x)与协方差函数k(x, x')完全确定，后者需满足对称性与半正定性。基于贝叶斯框架，可将观测数据（含高斯噪声）融入先验分布，推导出后验分布的解析表达式，实现预测均值与置信区间的自然输出，该方法亦被称为克里金法或核岭回归。

3.6 不确定性验证

不确定性验证旨在评估预测不确定度的可靠性，核心是校验名义覆盖概率与实际覆盖概率的一致性。理想状态下，对于任意置信水平γ∈[0,1]，无限大测试集上的实际覆盖率应等于γ，此时模型被称为校准良好。仅依赖单一置信水平的验证不足以全面评估不确定性质量，需在全置信区间内进行检验。需注意该概念区别于验证与确认（V&V）框架中的模型验证。

3.7 维度约简

求积、谱方法及代理模型均受困于维数灾难，即样本需求量随参数维度呈指数增长。维度约简通过识别并剔除贡献微小的参数，将模型近似重构于低维子空间。主成分分析与全局敏感性分析是两类主流线性降维技术，可在应用前述高级UQ方法前大幅降低计算复杂度。

3.8 不确定性量化软件

当前已涌现大量UQ软件工具，涵盖从基础统计分析到专用算法实现的广泛功能。ChaosPy专注于多项式混沌与高级MC采样；DAKOTA提供优化、UQ、灵敏度分析的模块化组合；EasyVVUQ面向分子动力学模拟；MUQ支持贝叶斯校准与逆UQ；NIST Uncertainty Machine基于误差传播与MC评估测量不确定度；OpenTURNS擅长多元概率建模；physical_validation用于MD模拟的后验物理校验；PyApprox提供高维近似与多保真工具；SALib专攻全局敏感性分析；SEAVEA工具包整合了大规模计算基础设施的VVUQ流程；SMCPy实现并行序贯MC采样；Sparse Grids Matlab Kit为稀疏网格插值提供专用环境；UncertainSCI服务于生物医学模拟的PCE分析；UM-Bridge通过容器化技术实现跨语言模型与UQ方法耦合；UQLab构建了模块化的Matlab UQ框架；UQTk集成PCE、灵敏度分析与贝叶斯推断；Uranie支持大数据处理与可视化；WESTPA则是稀有事件采样的专用工具。这些工具为计算化学的UQ实践提供了强有力的支撑。

4.1 能量不确定性

4.1.1 基于波函数的量子化学

波函数方法在Born-Oppenheimer近似下求解多电子薛定谔方程，以获取基态电子能量E₀^el。单参考方法（如组态相互作用CI、耦合簇CC）以Hartree-Fock行列式为基础，通过替换虚轨道构建斯莱特行列式基组，并将多电子波函数展开于该基组之上。误差主要源于两方面：一是单电子轨道展开所用基组的不完备性，二是斯莱特行列式基组展开的不完备性。精确解需在完备基组下进行全CI计算，但这在实际分子体系中难以实现。实践中常采用外推方案估计剩余误差，例如基于不同基组尺寸的能量结果外推至完备基组极限，或结合激发能级的外推。此类外推策略为高精度量子化学计算提供了可行的误差控制路径。