Meta-modellazione dei modelli computazionali: sfide e opportunità
Cy Wegman, responsabile della sezione; Bill Worley, MS, responsabile della tecnologia – Procter & Gamble
Le simulazioni complesse al computer sono fondamentali per lo sviluppo di modelli predittivi per molti prodotti e processi odierni. 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 tronco. 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 "buon" meta-modello. Tuttavia, un esame attento dei residui jackknife rispetto ai grafici effettivi mostra che i dati dei residui assomigliano di più al rumore visto negli esperimenti stocastici. Quindi, in un caso come questo, una rete neurale o persino un approccio di superficie di risposta possono portare a un modello di approssimazione complessivo migliore rispetto all'approccio gaussiano. Questa presentazione fornirà una panoramica delle sfide e delle opportunità che fanno parte della meta-modellazione.
