Meta-Modellierung von Rechenmodellen – Herausforderungen und Chancen
Cy Wegman, Sektionsleiter; Bill Worley, MS, Technologieführer – Procter & Gamble
Komplexe Computersimulationen sind heute entscheidend für die Entwicklung von Vorhersagemodellen für viele Produkte und Prozesse. Diese Modelle haben ihre eigenen Herausforderungen: Sie können für erfahrene Benutzer rechenintensiv und zeitaufwändig werden, wenn die Anzahl der Simulationsexperimente in einer One-at-a-Time-Simulationsumgebung wächst. Design of Experiments und Meta-Modellierung werden verwendet, um ganzheitliche Lösungen für diese Probleme zu finden. Man könnte meinen, dass dies aufgrund der deterministischen Natur von Computersimulationen, die Metamodelle erstellen, so einfach wäre, als würde man von einem Baumstamm fallen. Unsere Erfahrung ist, dass es eher so ist, als würde man mit einem Baumstamm getroffen. Es war sehr schwierig, ein Modell zu finden, das das ganzheitliche Verhalten des Systems am besten annähert. Herkömmliche Weisheiten führen möglicherweise nicht zum besten Gesamt-Metamodell. Beispielsweise ergibt ein Gaußsches Prozessmodell, das alle Rechendatenpunkte genau anpasst, ein „gutes“ Metamodell. Eine genaue Untersuchung der Jackknife-Residuen im Vergleich zu tatsächlichen Diagrammen zeigt jedoch, dass die Residuendaten eher wie das Rauschen aussehen, das in stochastischen Experimenten zu sehen ist. In einem Fall wie diesem kann also ein neuronales Netz oder sogar ein Response-Surface-Ansatz zu einem besseren Gesamtnäherungsmodell führen als der Gaußsche Ansatz. Dieser Vortrag gibt einen Überblick über die Herausforderungen und Chancen, die Teil der Metamodellierung sind.
