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 essentielles au développement de modèles prédictifs pour de nombreux produits et procédés actuels. Ces modèles présentent leurs propres défis : ils peuvent devenir coûteux en calcul et chronophages pour les utilisateurs experts à mesure que le nombre d'« expériences » de simulation augmente dans un environnement de simulation individuelle. La conception d'expériences et la métamodélisation sont utilisées pour trouver des solutions globales à ces problèmes. On pourrait penser que, compte tenu de la nature déterministe des simulations informatiques créant des métamodèles, cela serait aussi simple que de tomber d'une bûche. Or, notre expérience montre que c'est plutôt comme être frappé par une bûche. Trouver un modèle qui se rapproche le plus du comportement global du système s'est avéré très difficile. Les idées reçues ne conduisent pas toujours au meilleur métamodèle global. Par exemple, un modèle de processus gaussien qui ajuste exactement tous les points de données de calcul donnera un « bon » métamodèle. Cependant, un examen attentif des résidus jackknife par rapport aux tracés réels montre que les données résiduelles ressemblent davantage au bruit observé dans les expériences stochastiques. Ainsi, dans un cas comme celui-ci, une approche par réseau neuronal, voire par surface de réponse, pourrait conduire à un meilleur modèle d'approximation globale que l'approche gaussienne. Cet exposé présentera un aperçu des défis et des opportunités inhérents à la métamodélisation.
