surrogaatmallit

Surrogaatmallit ovat malleja, jotka jäljittelevät monimutkaisten, laskennallisesti kalliiden järjestelmien tai simulointien käyttäytymistä kevyemmällä ja nopeammalla tavalla. Ne toimivat tilastollisina tai dataan perustuvina emulaattoreina, joiden avulla voidaan tehdä nopeita ennusteita ilman täyttä, resursseja kuluttavaa simulointia.

Niiden ensisijainen tarkoitus on nopeuttaa suunnittelua, optimointia ja päätöksentekoa. Surrogaatmallit mahdollistavat laajan suunnitteluvälin tutkimisen, epävarmuuden arvioinnin ja iteratiivisen kehityksen, kun alkuperäinen simulaatio olisi liian hidas tai kallis.

Tyypillisiä surrogaatmallityyppejä ovat krigingin tai Gaussian prosessin malleja, radial basis function -malleja, polynominen regressio, tukivektoriregressio sekä eräät neuroverkot. Valinta riippuu sovelluksesta, datan määrästä ja tarvittavasta tarkkuudesta. Mallia voidaan käyttää sekä kun halutaan nopeampi arvio että kun halutaan ymmärtää systemaattisia riippuvuuksia.

Rakentaminen alkaa usein suunnittelulla datan keräämiseksi, esimerkiksi suunnittelulla tai Latin hypercube -otannalla. Kerätty data jaetaan koulutus- ja validointiaineistoksi, ja malli valitaan sekä hylkimuuttujat huomioidaan. Mallin tarkkuutta arvioidaan virhemuuttujilla kuten RMSE, MAE tai R2, ja sen pätevyyttä testataan ulkopuolisella testijoukolla tai ristivarmennuksella.

Käyttökohteita ovat esimerkiksi tekninen optimointi, ilmasto- ja ympäristömallinnus, aerodynamiikan tai rakennesuunnittelun tukeminen sekä reaaliaikaiset päätöksentekotilanteet. Surrogaatmallien tärkeimpiä etuja ovat kustannussäästöt ja nopea iterointi, mutta niiden luotettavuus rajoittuu koulutusdatan kattavuuteen ja sopivuuteen alueen ulkopuolella.