Surrogate Model

Сурогатна модель - це метод, який використовується в інженерії, коли результат, що цікавить, не може бути легко і безпосередньо оцінений, і замість нього використовується модель результату. Для оцінки взаємозв'язку між проектними цілями, функціями обмежень і проектними змінними часто використовують експерименти та/або симуляції.

Однак для багатьох практичних питань запуск навіть однієї симуляції може зайняти значну кількість часу. Тому такі базові види діяльності, як дослідження дизайну, аналіз чутливості та аналіз "що було б, якби", є нездійсненними, оскільки вони потребують сотень або мільйонів імітаційних оцінок. Щоб зменшити це навантаження, можна побудувати апроксимаційні моделі, які поводяться подібно до імітаційної моделі, але потребують менше обчислювальних ресурсів для оцінки. Такі моделі називаються сурогатними моделями, метамоделями або емуляторами.

• Сурогатне моделювання - це застосування керованого машинного навчання в галузі інженерного проектування.

Побудова сурогатних моделей відбувається за висхідною методологією, що ґрунтується на даних. Не обов'язково знати всю внутрішню роботу імітаційного коду; важлива лише поведінка вхідних-вихідних даних.

Модель створюється шляхом імітації реакції симулятора на обмежену кількість ретельно відібраних точок даних. Моделювання "чорної скриньки" та поведінкове моделювання - це терміни, які часто використовуються як взаємозамінні для опису цього методу. Коли є лише одна змінна дизайну, метод відомий як підбір кривої. Використання оптимізації сурогатних моделей замість дорогих експериментів і симуляцій стає все більш поширеним в інженерному проектуванні, але також може застосовуватися в інших наукових галузях, де потрібні дорогі експерименти і/або оцінки функцій.

Характеристика

Характеристика

Під час навчання сурогатної моделі глибокого навчання (яку іноді називають "метамоделлю" або "емулятором") потрібно покладатися на емпіричні дані. Вона отримує свої навчальні дані, досліджуючи результати моделювання в декількох розумно обраних місцях у просторі проектних параметрів. Кожне з цих місць піддається комплексному моделюванню для обчислення відповідного результату моделювання.

Отримання навчального набору даних складається з відповідних пар входів (параметрів проектування) і виходів (вимірювань), на основі яких може бути розроблена статистична модель.

Чи є процес розробки предиктивної моделі з використанням маркованого набору навчальних даних керованим машинним навчанням? Так, саме так! Сурогатне моделювання - це застосування керованого МН в області інженерного проектування. Популярні підходи машинного навчання, такі як поліноміальні регресії, машини опорних векторів, гаусові процедури та нейронні мережі, також часто використовуються як сурогатні моделі для прискорення процесів проектування та аналізу продуктів.

Завдяки цьому інженери можуть використовувати відомі процеси машинного навчання для побудови, перевірки та вибору сурогатних моделей і успішно боротися з проблемами недостатньої придатності та надмірної придатності.

Етапи

• Вибірка. Почнемо з генерації початкових навчальних даних. Для цього ми вибираємо репрезентативну вибірку з простору параметрів дизайну. Цей метод також відомий як експериментальний дизайн.

На цьому етапі ідеально мати дані, які рівномірно розподілені в просторі параметрів. Це має перевагу, оскільки ми можемо мати уявлення про оціночний зв'язок "витрати-випуск" з усіх частин досліджуваного простору параметрів.

• Вихідні оцінки. Після створення початкових навчальних вибірок ми обчислюємо відповідні їм вихідні значення, виконуючи їх. Після об'єднання вказаних пар навчальних вибірок та їхніх вихідних значень, створено перший навчальний набір даних.
• Будова моделі-замінника. На цьому етапі ми будуємо модель-замінник шляхом машинного навчання, використовуючи навчальні дані, отримані на попередньому кроці. Валідація та вибір моделей є добре відпрацьованими процедурами машинного навчання, які слід використовувати для допомоги в процесі навчання моделі. Крім того, сучасні методи машинного навчання, такі як пакування та бустінг, можуть покращити продуктивність сурогатної моделі.
• Навчання. Загалом аналітик не може передбачити кількість зразків, необхідних для побудови відповідної сурогатної моделі. Це залежить від складності оцінюваного відношення вхід-вихід. У процесі навчання стає більш логічним збагачувати навчальний набір даних. Цей метод називається активним навчанням.

Навчальний набір даних. Після виявлення нового зразка виконується новий прогін симуляції для визначення відповідного йому вихідного значення. Потім модель-замінник перенавчається на розширеному навчальному наборі даних. Ця процедура повторюється до тих пір, поки точність моделі-замінника не стане задовільною.