Meta-Modelado de Modelos Computacionales – Desafíos y Oportunidades
Cy Wegman, Jefe de Sección; Bill Worley, MS, Líder de Tecnología - Procter & Gamble
Las simulaciones informáticas complejas son críticas para el desarrollo de modelos predictivos para muchos productos y procesos en la actualidad. Estos modelos tienen sus propios desafíos: pueden volverse costosos desde el punto de vista computacional y consumir mucho tiempo para los usuarios expertos a medida que crece la cantidad de "experimentos" de simulación en un entorno de simulación uno a la vez. El diseño de experimentos y el metamodelado se utilizan para encontrar soluciones holísticas a estos problemas. Uno pensaría que, debido a la naturaleza determinista de las simulaciones por computadora que crean metamodelos, esto sería tan fácil como caerse de un tronco. Nuestra experiencia es que es más como ser golpeado con un tronco. Ha sido muy difícil encontrar un modelo que se aproxime mejor al comportamiento holístico del sistema. La sabiduría convencional puede no conducir al mejor metamodelo general. Por ejemplo, un modelo de proceso gaussiano que se ajuste exactamente a todos los puntos de datos computacionales dará un metamodelo "bueno". Sin embargo, un examen detallado de los residuos de jackknife frente a las gráficas reales muestra que los datos de los residuos se parecen más al ruido observado en los experimentos estocásticos. Entonces, en un caso como este, una red neuronal o incluso un enfoque de superficie de respuesta puede conducir a un mejor modelo de aproximación general que el enfoque gaussiano. Esta charla brindará una descripción general de los desafíos y oportunidades que forman parte del metamodelado.
