Construction d'une approximation informatique peu coûteuse (surrogat ou émulateur) d'un modèle coûteux ou boîte noire, destinée à reproduire le comportement entrée–sortie pour des tâches comme l'optimisation, la quantification d'incertitude ou l'analyse de sensibilité.

Principe

Ajuster un approximant (processus gaussien, surface de réponse polynomiale, réseau de neurones, fonction de base radiale) à un ensemble limité d'exécutions du modèle coûteux, quantifier l'erreur du surrogat ou l'incertitude épistémique, et utiliser le surrogat lorsque la fidélité satisfait les tolérances d'erreur liées à la tâche.

Démonstration

Entraîner un émulateur par processus gaussien sur 200 simulations par éléments finis d'un modèle structurel pour prédire des champs de flèche ; utiliser l'émulateur dans une boucle d'étalonnage bayésien et dans un optimiseur global pour trouver des minima de conception beaucoup plus rapidement que le solveur complet.

Mauvaise application

Déployer un surrogat sans valider l'erreur prédictive dans les régions utilisées pour la prise de décision, ou utiliser des surrogats d'interpolation loin du domaine d'entraînement, conduisant à des prédictions trop confiantes et incorrectes.

Conséquence

Lorsque validés et pourvus d'une quantification d'incertitude, les surrogats réduisent considérablement le coût temporel des optimisations, analyses de sensibilité et analyses probabilistes, permettant d'intégrer des modèles coûteux dans des flux de travail itératifs.

Inversion

Utiliser systématiquement le modèle haute fidélité pour chaque évaluation (pas de surrogat) assure la fidélité physique mais peut être inenvisageable en coût ; inversement, traiter le surrogat comme exact renverse le flux de travail conscient de l'approximation.

Limite

S'applique à l'approximation de mappages entrée–sortie ; exclut les méthodes produisant des modèles réduits préservant l'état interne ou la physique, sauf si elles sont explicitement conçues à cet effet ; la validité du surrogat est limitée au domaine d'entrée échantillonné et aux hypothèses de l'approximation.

Tension sémantique

Proche de la réduction de modèle et de l'émulation : la modélisation de substitution vise à reproduire les sorties et leur incertitude pour des entrées données, alors que la réduction de modèle vise souvent à préserver la dynamique interne ou les équations gouvernantes ; les termes sont parfois confondus mais impliquent des garanties différentes.

Synthèse

La modélisation de substitution construit des approximations informées statistiquement de modèles coûteux en ajustant des fonctions flexibles sur des données de simulation, en quantifiant et validant explicitement l'erreur afin d'accélérer en toute sécurité l'optimisation, l'inférence et la quantification d'incertitude tout en reconnaissant les limites de domaine et de fidélité.