Surrogaatemulaattorit

Surrogaatemulaattorit ovat kevyitä malleja, jotka jäljittelevät monimutkaisia, laskennallisesti raskaita simulointeja. Niiden avulla voidaan tuottaa nopeita arvioita syötteiden vaikutuksesta ilman että jokainen tapaus vaatii kattavaa alkuperäistä simulointia. Tällaiset mallit ovat keskeinen väline optimoinnissa, kalibroinnissa ja epävarmuuden arvioinnissa.

Yleisimmät lähestymistavat ovat Gaussin prosessi -emulaattorit (kriging), polynomiaalisen kaaoslaajennuksen (PCE) mallit sekä erilaisten neuroverkkojen ja tukivektoriverkkojen sovellukset. Ne perustuvat koulutettuun dataan, jonka on tuottanut alkuperäinen simulointi valituissa syötteissä, ns. design of experiments (DOE). Mallin suorituskyky validoidaan ristiinvalidoinnilla tai erillisellä testijoukolla, ja tuloksista raportoidaan ennusteet sekä mahdollinen epävarmuus.

Rakennusprosessi etenee toistuvasti: syötealueen suunnittelu (DOE), simulointidatan keräys, mallin sovitus, validointi ja mahdollinen uudelleenkoulutus. Surrogaatit voivat olla uni- tai monitasoisia; useammilla malleilla voidaan yhdistää halvan ja kalliimman simuloinnin tuloksia, jolloin saavutetaan sekä nopeus että parempi kattavuus.

Etuna on huomattava nopeus ja kyky kvantifioida epävarmuuutta ennusteisiin. Rajoitteisiin kuuluu mallin ulkopuoliseen syötteeseen tehtävä extrapolointi, mallivirheen riski, korkea ulottuvuus ja riippuvuus koulutusdatasta; huolellinen validointi on välttämätöntä.

Surrogaatemulaattorit ovat yleistyneet suunnittelussa ja analyysissä muun muassa ilmailu-, auto- ja energiateollisuudessa sekä ilmastomallinnuksessa. Historiaan kuuluvat Bayes-lähtöiset menetelmät ja Gaussin prosessit 1990-luvulta lähtien; keskeisiä töitä ovat Kennedy ja O'Haganin tutkimukset, jotka muovasivat kentän perustaa. Nykyisin niitä käytetään laajalti sekä suunnittelussa että epävarmuusanalyysissä.