surrogaattimalleja

Surrogaattimalleja eli surrogaattimallinnusta tarkoitetaan lähinnä kevyempiä, nopeita malleja, jotka jäljittelevät kalliiden tai monimutkaisten korkean fideliteetin simulointien käyttäytymistä. Niiden tarkoitus on tarjota luotettava arvio prosessin tai järjestelmän vasteesta ilman tarvetta suorittaa joka kerta aitoa, laskennallisesti raskasta mallia.

Yleisesti surrogaattimalleja rakennetaan olemassa olevan datan perusteella. Datan muodostavat syötteet ja niiden vastineet korkean fideliteetin mallista tai kokeista. Mallityyppejä on monia: tilastolliset ja Gaussian process -pohjaiset (kriging), polynomiset vastepintamallit, radial basis function -mallit, sekä koneoppimismallit kuten tukivektorit, pienet neuroverkot ja joissain tapauksissa syvät verkot. Käytäntö yhdistää usein useita lähestymistapoja sen mukaan, millaista käyttäytymistä tutkitaan.

Rakentaminen etenee tyypillisesti suunnittelun kautta: määritellään tulosalue ja otanta, kerätään korkean fideliteetin kokeita tai simulaatioita, opetetaan malli ja validoidaan se erillisellä testisarjalla. Hyvin suunniteltu otanta (esimerkiksi Latin hypercube -otanta) auttaa kattamaan tilan ja vähentämään extrapoloinnin riskejä. Mallia voidaan päivittää jatkuvasti uusilla datapisteillä.

Käytännön hyödyt ovat huomattavat: surrogaattimalleista saa lähes reaaliaikaisia arvoja, mikä nopeuttaa optimointia, suunnittelupäätöksiä ja herkkyysanalyysiä. Sijoitus paikkansa pitävän surrogan luotettavuudesta riippuu datan kattavuudesta ja mallin kyvystä kuvata ei-lineaarista käyttäytymistä. Rajoitteina ovat muun muassa riskit extrapoloinnissa ja se, että malli ei aina säily yhtä tarkkana kuin alkuperäinen simulaatio ulkoapäin syötettyihin, poikkeaviin tilanteisiin.

Sovelluksia on laajasti: ilmailu- ja autoteollisuus, rakennesuunnittelu, materiaalitutkimus sekä ympäristö- ja kaukokäytön mallinnus. Arvioinnissa käytetään mittareita kuten RMSE, R^2-arvo ja cross-validation sekä erillisellä testidatalla toteutettu validointi.