Méta-modélisation des modèles informatiques - Défis et opportunités
Cy Wegman, chef de section ; Bill Worley, MS, responsable technologique – Procter & Gamble
Les simulations informatiques complexes sont aujourd'hui essentielles au développement de modèles prédictifs pour de nombreux produits et procédés. Ces modèles ont leurs propres défis : ils peuvent devenir coûteux en temps de calcul et chronophages pour les utilisateurs experts à mesure que le nombre d'"expériences" de simulation augmente dans un environnement de simulation unique. La conception d'expériences et la métamodélisation sont utilisées pour trouver des solutions holistiques à ces problèmes. On pourrait penser qu'en raison de la nature déterministe des simulations informatiques créant des méta-modèles, cela serait aussi simple que de tomber d'une bûche. Notre expérience est que c'est plus comme être frappé avec une bûche. Trouver un modèle qui se rapproche le mieux du comportement holistique du système a été très difficile. La sagesse conventionnelle peut ne pas conduire au meilleur méta-modèle global. Par exemple, un modèle de processus gaussien qui correspond exactement à tous les points de données de calcul donnera un « bon » méta-modèle. Cependant, un examen attentif des résidus jackknife par rapport aux tracés réels montre que les données sur les résidus ressemblent davantage au bruit observé dans les expériences stochastiques. Ainsi, dans un cas comme celui-ci, un réseau de neurones ou même une approche de surface de réponse peut conduire à un meilleur modèle d'approximation globale que l'approche gaussienne. Cette conférence donnera un aperçu des défis et des opportunités qui font partie de la méta-modélisation.
