Metamodelado de modelos computacionales: desafíos y oportunidades
Cy Wegman, Jefe de Sección; Bill Worley, MS, Líder de Tecnología – Procter & Gamble
Las simulaciones informáticas complejas son cruciales para el desarrollo de modelos predictivos para muchos productos y procesos actuales. Estos modelos presentan sus propios desafíos: pueden resultar computacionalmente costosos y consumir mucho tiempo para usuarios expertos a medida que aumenta el número de "experimentos" de simulación en un entorno de simulación individual. El diseño de experimentos y el metamodelado se utilizan para encontrar soluciones holísticas a estos problemas. Se podría pensar que, debido a la naturaleza determinista de las simulaciones informáticas que crean metamodelos, esto sería tan fácil como caerse de un tronco. Nuestra experiencia nos dice que es más bien como recibir un golpe con un tronco. Encontrar el modelo que mejor se aproxime al comportamiento holístico del sistema ha sido muy difícil. La sabiduría convencional puede no conducir al mejor metamodelo general. Por ejemplo, un modelo de proceso gaussiano que se ajuste con precisión a todos los puntos de datos computacionales generará un buen metamodelo. Sin embargo, un análisis detallado de los residuos de tipo "jackknife" en comparación con los gráficos reales muestra que los datos de los residuos se asemejan más al ruido observado en los experimentos estocásticos. Por lo tanto, en un caso como este, una red neuronal o incluso un enfoque de superficie de respuesta pueden generar un modelo de aproximación general mejor que el enfoque gaussiano. Esta charla ofrecerá una visión general de los desafíos y las oportunidades que ofrece el metamodelado.
