Metamodellierung von Computermodellen – Herausforderungen und Chancen
Cy Wegman, Abteilungsleiter; Bill Worley, MS, Technologieleiter – Procter & Gamble
Komplexe Computersimulationen sind heute für die Entwicklung von Vorhersagemodellen für viele Produkte und Prozesse von entscheidender Bedeutung. Diese Modelle bringen jedoch ihre eigenen Herausforderungen mit sich: Mit zunehmender Anzahl von Simulationsexperimenten in einer Umgebung, in der nur einzelne Simulationen durchgeführt werden, können sie für erfahrene Anwender rechenintensiv und zeitaufwändig werden. Versuchsplanung und Metamodellierung werden eingesetzt, um ganzheitliche Lösungen für diese Probleme zu finden. Man könnte meinen, dass dies aufgrund der deterministischen Natur von Computersimulationen zur Erstellung von Metamodellen so einfach sei wie ein Sturz von einem Baumstamm. Unsere Erfahrung zeigt jedoch, dass es eher einem Schlag mit einem Baumstamm gleicht. Es war sehr schwierig, ein Modell zu finden, das das ganzheitliche Verhalten des Systems am besten abbildet. Konventionelle Weisheit führt möglicherweise nicht zum besten Metamodell. Beispielsweise ergibt ein Gauß-Prozessmodell, das alle berechneten Datenpunkte exakt abbildet, ein „gutes“ Metamodell. Eine genaue Betrachtung der Jackknife-Residuen im Vergleich zu tatsächlichen Diagrammen zeigt jedoch, dass die Residuendaten eher dem Rauschen stochastischer Experimente ähneln. In einem solchen Fall kann ein neuronales Netz oder sogar ein Response-Surface-Ansatz zu einem besseren Gesamtapproximationsmodell führen als der Gauß-Ansatz. Dieser Vortrag gibt einen Überblick über die Herausforderungen und Chancen der Metamodellierung.
