İçeriğe atla
Arama sonuçlarına dön

Metamodel Destekli Tasarım - Vekil Tabanlı Optimizasyon

Ortaya koyan
Sacks, Welch, Mitchell & Wynn (computer experiments framework, 1989); Kriging popularised by Matheron (1963)
Yıl
1989 (computer experiments formulation)
Tür
Metamodel-assisted black-box optimization

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Sacks ve ark. (1989) tarafından bilgisayar deneyleri çerçevesinde biçimlendirilen ve Forrester ve ark. (2008) tarafından mühendislik için popülerleştirilen vekil tabanlı optimizasyon, fahiş derecede pahalı bir simülasyonu veya fiziksel deneyi, vekil veya metamodel adı verilen ucuz bir yaklaşıklık modeliyle değiştirir ve ardından bu vekili optimize eder.

Vekil tipik olarak, dikkatlice seçilmiş az sayıda tasarım değerlendirmesine uydurulmuş ve arama ilerledikçe periyodik olarak güncellenen bir Kriging (Gauss Süreci), Radyal Taban Fonksiyonu veya polinom yanıt yüzeyidir.

Yöntemin mantığı

Her yeni uçak kanadı şeklini test etmek istediğinizde 48 saat süren tam bir hesaplamalı akışkanlar dinamiği (HAD) simülasyonu çalıştırmanız gerektiğini hayal edin. En iyi şekli bulmak için binlerce böyle değerlendirme çalıştırmak imkansızdır. Vekil tabanlı optimizasyon, öncelikle iyi yayılmış tasarım noktalarında küçük bir simülasyon grubu çalıştırarak, saniyeler içinde test edilmemiş herhangi bir tasarım için performansı tahmin eden hızlı bir matematiksel vekil (vekil) uydurarak, bu vekili optimize ederek ve ardından en umut verici yeni tasarımı gerçekte simüle etmek üzere stratejik olarak seçerek bu durumdan kaçınır. Vekil, eklenen her yeni veri noktasıyla daha akıllı hale gelir ve sonunda pahalı simülatör yalnızca gerçekten önemli olduğu yerlerde çağrılır.

Tarih

İstatistiksel temeller, Sacks, Welch, Mitchell ve Wynn tarafından 1989 tarihli dönüm noktası niteliğindeki makaleleri "Bilgisayar Deneylerinin Tasarımı ve Analizi" (Statistical Science) ile atılmıştır; bu makale, deterministik bilgisayar kodlarını taklit etmek için Kriging çerçevesini tanıtmıştır. Kriging'in kendisi, 1960'lardaki Georges Matheron'un jeoistatistik çalışmalarına dayanmaktadır. Yaklaşım, Forrester, Sobester ve Keane tarafından 2008 tarihli Wiley monografilerinde mühendislik tasarım optimizasyonu için sistematikleştirilmiştir; bu monografi, Latin Hiperküp Örneklemesi, çapraz doğrulama ve beklenen iyileşme doldurmayı standart işlem hattı olarak belirlemiştir. O zamandan beri alan, çoklu doğruluk vekillerini, Bayes optimizasyonunu (yakından ilişkili olasılıksal bir formülasyon) ve çok yüksek boyutlu problemler için derin öğrenme vekillerini içerecek şekilde genişlemiştir.

Ne zaman kullanılır?

Gerçek hedef fonksiyonun HAD, sonlu elemanlar analizi, laboratuvar deneyleri veya çoklu fizik simülasyonları yoluyla değerlendirilmesi o kadar pahalı olduğunda ki yalnızca on ila birkaç yüz değerlendirme karşılanabilir olduğunda, vekil tabanlı optimizasyon doğru seçimdir. Yöntem, gerçek yanıtın, bir vekilin onu yaklaştırabilmesi için yeterince pürüzsüz olmasını gerektirir; oldukça süreksiz veya stokastik fonksiyonlar özel vekiller veya varyans azaltma teknikleri gerektirebilir. Tasarım uzayı sürekli olmalıdır. Uzay dolduran bir başlangıç tasarımı (Latin Hiperküp Örneklemesi) ve vekilin zorunlu çapraz doğrulaması pazarlık edilemez ön koşullardır.

Sınırlar ve dikkat edilmesi gerekenler

  • Vekil doğruluğu yüksek boyutlu uzaylarda (boyutsallık laneti) bozulur; tipik olarak boyut azaltma olmadan yaklaşık ~20-50 tasarım değişkenine kadar pratiktir.
  • Gerçek fonksiyon oldukça süreksiz veya çok modlu ise, vekil onu yanlış temsil edebilir ve optimize ediciyi yanlış bir optimuma yönlendirebilir.
  • İlk eğitim bütçesi dikkatlice ayarlanmalıdır; çok az nokta zayıf bir vekil üretir, çok fazla nokta pahalı değerlendirmelerden kaçınma amacını boşa çıkarır.
  • Kriging uydurma ve edinme fonksiyonunun optimizasyonu, eğitim seti boyutuyla artan hesaplama yükü ekler.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Yaklaşık optimal bir tasarım bulmak için gereken pahalı gerçek değerlendirme sayısını önemli ölçüde azaltır.
  • Kriging vekilleri, beklenen iyileşme gibi ilkeli doldurma stratejilerini sağlayan belirsizlik tahminleri sağlar.
  • Gradyan bilgisi bulunmayan kara kutu problemler üzerinde çalışır.
  • Mühendislik, bilim ve simülasyon maliyetinin hakim olduğu herhangi bir alanda uygulanabilir.
  • Tekrar kullanılabilir vekil, ek gerçek değerlendirme olmadan birden çok tasarım sorusunu yanıtlayabilir.

Uygulama alanları

  • HAD simülasyonları kullanılarak uçak kanatlarının ve türbin kanatlarının aerodinamik şekil optimizasyonu.
  • Her simülasyonun saatler sürdüğü sonlu elemanlar analizlerinde yapısal optimizasyon.
  • Sıkı değerlendirme bütçeleri altında otomotiv çarpışma güvenliği ve NVH (gürültü, titreşim, sertlik) tasarımı.
  • Fiziksel deneylerin maliyetli ve yavaş olduğu kimyasal proses ve reaktör tasarımı.
  • Bir modeli eğitmenin kendisinin pahalı olduğu makine öğrenmesinde hiperparametre ayarı.
  • Farmasötik formülasyon geliştirme ve klinik çalışma tasarımı.

Nasıl çalışır?

Nasıl çalışır?

1

Tüm uygun uzay boyunca ilk tasarım noktaları kümesini yerleştirmek için bir uzay dolduran deneysel tasarım - en yaygın olarak Latin Hiperküp Örneklemesi - kullanılır. Amaç, vekilin herhangi bir bölgeye karşı minimum yanlılıkla eğitilebilmesi için maksimum yayılımdır.

2

Her başlangıç tasarım noktası, gerçek pahalı değerlendiriciye iletilir: bir HAD çözücü, bir sonlu elemanlar analizi, bir fiziksel prototip testi veya başka herhangi bir yüksek doğruluklu fonksiyon. Bu adım hesaplama darboğazıdır; çıktısı, vekilin eğitim veri kümesini oluşturur.

3

Bir vekil model - Kriging, Radyal Taban Fonksiyonu, polinom yanıt yüzeyi veya bir sinir ağı - eğitim verilerine uydurulur. Kriging, mühendislik tasarımında tercih edilir çünkü yalnızca bir tahmin değil, aynı zamanda ziyaret edilmemiş her noktada nicel bir belirsizlik tahmini de sağlar.

4

Vekil uyumu, çapraz doğrulama ile veya test noktalarının tutulmuş bir kümesindeki vekil tahminlerini gerçek değerlendirmelerle karşılaştırarak kontrol edilir. R-kare, RMSE ve maksimum mutlak hata gibi metrikler, vekilin optimizasyona rehberlik edecek kadar gerçek fonksiyonu iyi temsil edip etmediğini gösterir. Doğrulama başarısız olursa, ek eğitim noktaları eklenir.

5

Ucuz bir optimize edici - gradyan tabanlı veya evrimsel - uydurulmuş vekil üzerinde optimumu arar. Vekil değerlendirmesi neredeyse hiçbir maliyet getirmediği için, saniyeler içinde binlerce aday çözüm değerlendirilebilir.

6

Optimal olarak tahmin edilen tasarım (veya beklenen iyileşme kriterlerine göre en bilgilendirici olanı), pahalı değerlendiriciye geri iletilir. Gerçek yanıtı eğitim setine eklenir ve vekil yeniden uydurulur. Bu döngü, bir durdurma kriteri - bütçe, yakınsama veya doğruluk hedefi - karşılanana kadar devam eder.

Sık yapılan hatalar

  • Vekilin çapraz doğrulamasını atlamak en yaygın hatadır - kötü uyan bir vekil, optimize ediciyi sistematik olarak yanlış yönlendirecektir.
  • Uzay dolduran Latin Hiperküp yerine düzgün rastgele bir başlangıç tasarımı kullanmak, tasarım uzayının bölgelerini yetersiz kapsayarak vekil kör noktaları oluşturur.
  • Yöntemi stokastik yanıtlı (gürültülü simülasyonlar veya fiziksel deneyler) problemlere, vekil modelde gürültüyü hesaba katmadan uygulamak, gerçek eğilim yerine gürültüye aşırı uyuma yol açar.
  • Döngüyü çok erken durdurmak - vekil yakınsamadan önce - bildirilen optimumun gerçek bir tasarım iyileştirmesi yerine bir vekil artefaktı olabileceği anlamına gelebilir.

Sık sorulan sorular

Hangi vekil türünü seçmeliyim - Kriging, RBF veya polinom?

Kriging (Gauss Süreci), hem tahmin hem de noktasal belirsizlik tahmini sağladığı ve beklenen iyileşme gibi ilkeli doldurma stratejilerine olanak tanıdığı için mühendislik tasarımı için varsayılan tercihtir. Radyal Taban Fonksiyonları hesaplama açısından daha hafiftir ve biraz daha iyi ölçeklenir. Polinom yanıt yüzeyleri basittir ve yorumlanabilirdir ancak doğrusal olmayan veya çok modlu yanıtlarda zorlanır. Boyutsallık veya eğitim seti boyutu pratik olmasını engellemediği sürece Kriging ile başlayın.

Kaç başlangıç tasarım noktasına ihtiyacım var?

Yaygın bir kural, başlangıç Latin Hiperküp örneği için tasarım değişkenlerinin sayısının 10 katıdır, ancak bu yanıtın pürüzsüzlüğüne bağlıdır. Optimizasyon başlamadan önce vekilin yeterli olduğunu doğrulamak için doğrulama metrikleri (çapraz doğrulama R-kare, RMSE) kullanılmalıdır. Ek noktalar, toplu olarak değil, doldurma döngüsü aracılığıyla eklenir.

Vekil tabanlı optimizasyon, Bayes optimizasyonu ile aynı şey midir?

Yakından ilişkilidirler ancak aynı değillerdir. Bayes optimizasyonu, doldurma noktalarını seçmek için olasılıksal bir edinme fonksiyonu (beklenen iyileşme gibi) kullanan bir Gauss Süreci vekili kullanan vekil tabanlı optimizasyonun özel bir biçimidir. Daha geniş vekil tabanlı optimizasyon çerçevesi, olasılıksal olmayan vekilleri (RBF, polinom) ve diğer doldurma kriterlerini içerir, bu nedenle Bayes optimizasyonu bir alt kümedir.

Simülasyonum deterministik yerine gürültülü ise ne olur?

Standart Kriging deterministik bir yanıtı varsayar. Stokastik simülatörler için Kriging kovaryans modeline bir gürültü terimi eklenmelidir (nugget parametresi veya stokastik Kriging). Bunun olmadan, vekil gerçek eğilim yerine gürültüye aşırı uyum sağlayacak ve optimize edici yanlış yönlendirilecektir.

İlgili yöntemler

Kaynaklar

  1. Forrester, A., Sobester, A., & Keane, A. (2008). Engineering Design via Surrogate Modelling: A Practical Guide. Wiley.

    Yayın kaynağını aç
    Kopyalandı.
  2. Sacks, J., Welch, W. J., Mitchell, T. J., & Wynn, H. P. (1989). Design and Analysis of Computer Experiments. Statistical Science, 4(4), 409-423.

    DOI kaynağını aç
    Kopyalandı.