Meta-modellazione di modelli computazionali: sfide e opportunità
Cy Wegman, Capo Sezione; Bill Worley, MS, leader tecnologico - Procter & Gamble
Le complesse simulazioni al computer sono oggi fondamentali per lo sviluppo di modelli predittivi per molti prodotti e processi. Questi modelli hanno le loro sfide: possono diventare computazionalmente costosi e richiedere molto tempo per gli utenti esperti man mano che il numero di "esperimenti" di simulazione cresce in un ambiente di simulazione uno alla volta. La progettazione di esperimenti e la meta-modellazione vengono utilizzate per trovare soluzioni olistiche a questi problemi. Si potrebbe pensare che, a causa della natura deterministica delle simulazioni al computer che creano meta-modelli, questo sarebbe facile come cadere da un tronco. La nostra esperienza è che è più come essere colpiti da un ceppo. Trovare un modello che si avvicini al meglio al comportamento olistico del sistema è stato molto difficile. La saggezza convenzionale potrebbe non portare al miglior meta-modello complessivo. Ad esempio, un modello di processo gaussiano che si adatta esattamente a tutti i punti dati computazionali fornirà un meta-modello "buono". Tuttavia, un attento esame dei residui del coltello a serramanico rispetto ai grafici reali mostra che i dati sui residui assomigliano più al rumore visto negli esperimenti stocastici. Quindi, in un caso come questo, una rete neurale o anche un approccio di superficie di risposta può portare a un modello di approssimazione generale migliore rispetto all'approccio gaussiano. Questo discorso fornirà una panoramica delle sfide e delle opportunità che fanno parte della meta-modellazione.
