सरोगेट मॉडल

सरोगेट मॉडल एक इंजीनियरिंग पद्धति है जिसका उपयोग तब किया जाता है जब ब्याज के परिणाम को आसानी से मापा या गणना नहीं किया जा सकता है, इसलिए इसके बजाय परिणाम के मॉडल का उपयोग किया जाता है। अधिकांश इंजीनियरिंग डिज़ाइन समस्याओं के लिए डिज़ाइन चर के कार्य के रूप में डिज़ाइन उद्देश्य और बाधा कार्यों का मूल्यांकन करने के लिए प्रयोगों और/या सिमुलेशन की आवश्यकता होती है। उदाहरण के लिए, एक विमान पंख के लिए इष्टतम एयरफॉइल आकार खोजने के लिए, एक इंजीनियर विभिन्न आकार चर (लंबाई, वक्रता, सामग्री, ..) के लिए पंख के चारों ओर वायु प्रवाह को अनुकरण करता है। हालाँकि, वास्तविक दुनिया की कई समस्याओं के लिए, एक सिम्युलेशन को पूरा होने में कई मिनट, घंटे या दिन भी लग सकते हैं। नतीजतन, डिजाइन अनुकूलन, डिजाइन अंतरिक्ष अन्वेषण, संवेदनशीलता विश्लेषण और क्या होगा अगर विश्लेषण जैसे नियमित कार्य असंभव हो जाते हैं क्योंकि उन्हें हजारों या लाखों सिमुलेशन मूल्यांकन की आवश्यकता होती है।

इस बोझ को कम करने का एक तरीका सन्निकटन मॉडल का निर्माण करना है, जिसे सरोगेट मॉडल, मेटामॉडल या एमुलेटर के रूप में जाना जाता है, जो मूल्यांकन के लिए कम्प्यूटेशनल रूप से सस्ता होने के साथ-साथ सिमुलेशन मॉडल के व्यवहार की नकल करते हैं। सरोगेट मॉडल का निर्माण डेटा-चालित, बॉटम-अप दृष्टिकोण का उपयोग करके किया जाता है। सिमुलेशन कोड के सटीक, आंतरिक कार्य को ज्ञात (या समझा भी) नहीं माना जाता है, केवल इनपुट-आउटपुट व्यवहार महत्वपूर्ण है। सीमित संख्या में बुद्धिमानी से चुने गए डेटा बिंदुओं के लिए सिम्युलेटर की प्रतिक्रिया के मॉडलिंग के आधार पर एक मॉडल का निर्माण किया जाता है। इस दृष्टिकोण को व्यवहारिक मॉडलिंग या ब्लैक-बॉक्स मॉडलिंग के रूप में भी जाना जाता है, हालांकि शब्दावली हमेशा सुसंगत नहीं होती है। जब केवल एक डिज़ाइन चर शामिल होता है, तो प्रक्रिया को वक्र फिटिंग के रूप में जाना जाता है।

हालांकि इंजीनियरिंग डिजाइन में प्रयोगों और सिमुलेशन के बदले सरोगेट मॉडल का उपयोग करना अधिक सामान्य है, सरोगेट मॉडलिंग का उपयोग विज्ञान के कई अन्य क्षेत्रों में किया जा सकता है जहां महंगे प्रयोग और/या फ़ंक्शन मूल्यांकन होते हैं।

लक्ष्य

सरोगेट मॉडलिंग की वैज्ञानिक चुनौती एक सरोगेट की पीढ़ी है जो यथासंभव सटीक है, यथासंभव कुछ सिमुलेशन मूल्यांकनों का उपयोग करते हुए। इस प्रक्रिया में तीन प्रमुख चरण शामिल हैं, जिन्हें पुनरावृत्त रूप से जोड़ा जा सकता है:

नमूना चयन (अनुक्रमिक डिजाइन, इष्टतम प्रायोगिक डिजाइन (OED) या सक्रिय शिक्षण के रूप में भी जाना जाता है)
सरोगेट मॉडल का निर्माण और मॉडल मापदंडों का अनुकूलन (पूर्वाग्रह-विचरण व्यापार-बंद)
सरोगेट की सटीकता का मूल्यांकन।

सरोगेट की सटीकता डिज़ाइन स्पेस में नमूनों की संख्या और स्थान (महंगे प्रयोग या सिमुलेशन) पर निर्भर करती है। प्रयोगों के विभिन्न डिजाइन (डीओई) तकनीकें त्रुटियों के विभिन्न स्रोतों को पूरा करती हैं, विशेष रूप से, डेटा में शोर के कारण त्रुटियां या अनुचित सरोगेट मॉडल के कारण त्रुटियां।

सरोगेट मॉडल के प्रकार

लोकप्रिय सरोगेट मॉडलिंग दृष्टिकोण हैं: बहुपद प्रतिक्रिया सतहें; कृगिंग; अधिक सामान्यीकृत बायेसियन दृष्टिकोण,^[1] ग्रेडिएंट-एन्हांस्ड क्रिगिंग (GEK); चमकीले आधार की क्रिया; समर्थन वेक्टर यंत्र; अंतरिक्ष मानचित्रण;^[2] कृत्रिम तंत्रिका नेटवर्क और बायेसियन नेटवर्क।^[3] हाल ही में खोजे गए अन्य तरीके फूरियर रूपांतरण सरोगेट मॉडलिंग हैं ^[4]^[5] और बेतरतीब जंगल .^[6] कुछ समस्याओं के लिए, सच्चे कार्य की प्रकृति को प्राथमिकता के रूप में नहीं जाना जाता है, इसलिए यह स्पष्ट नहीं है कि कौन सा सरोगेट मॉडल सबसे सटीक होगा। इसके अलावा, इस बात पर कोई सहमति नहीं है कि किसी दिए गए सरोगेट की सटीकता का सबसे विश्वसनीय अनुमान कैसे प्राप्त किया जाए। कई अन्य समस्याओं में भौतिकी के गुण ज्ञात हैं। इन मामलों में, भौतिकी-आधारित सरोगेट जैसे अंतरिक्ष-मानचित्रण आधारित मॉडल सबसे कुशल हैं।^[2]

सरोगेट-सहायता प्राप्त विकासवादी अनुकूलन तकनीकों का एक हालिया सर्वेक्षण में पाया जा सकता है।^[7] विकास और इंजीनियरिंग अनुप्रयोगों के दो दशकों में फैला, रयास-सांचेज़ सरोगेट मॉडल का शोषण करने वाले आक्रामक अंतरिक्ष मानचित्रण की समीक्षा करता है।^[8] हाल ही में, रज़वी एट अल। जल संसाधन प्रबंधन क्षेत्र में उपयोग किए जाने वाले सरोगेट मॉडल की अत्याधुनिक समीक्षा प्रकाशित की है।^[9]

अचल गुण

विकासवादी एल्गोरिदम के लिए हाल ही में प्रस्तावित तुलना-आधारित सरोगेट मॉडल (जैसे रैंकिंग सपोर्ट वेक्टर मशीन), जैसे CMA-ES, सरोगेट-सहायता वाले ऑप्टिमाइज़र के कुछ अचल गुणों को संरक्षित करने की अनुमति देते हैं: ^[10]

1. फ़ंक्शन (स्केलिंग) के नीरस परिवर्तनों के संबंध में आविष्कार
2. खोज स्थान (रोटेशन) के ऑर्थोगोनल परिवर्तनों के संबंध में आविष्कार।

अनुप्रयोग

सरोगेट मॉडल के दो अलग-अलग अनुप्रयोगों के बीच एक महत्वपूर्ण अंतर किया जा सकता है: डिज़ाइन अनुकूलन और डिज़ाइन स्पेस सन्निकटन (जिसे अनुकरण के रूप में भी जाना जाता है)।

सरोगेट मॉडल आधारित अनुकूलन में, महंगे प्रयोगों और/या सिमुलेशन के कुछ उपलब्ध बजटों का उपयोग करके एक प्रारंभिक सरोगेट का निर्माण किया जाता है। शेष प्रयोग/सिमुलेशन उन डिज़ाइनों के लिए चलाए जाते हैं जिनके लिए सरोगेट मॉडल भविष्यवाणी करता है कि उनका प्रदर्शन आशाजनक हो सकता है। प्रक्रिया आमतौर पर निम्नलिखित खोज/अद्यतन प्रक्रिया का रूप लेती है।

1. प्रारंभिक नमूना चयन (चलाने के लिए प्रयोग और/या अनुकरण)
2. सरोगेट मॉडल का निर्माण करें
3. सरोगेट मॉडल खोजें (मॉडल को बड़े पैमाने पर खोजा जा सकता है, उदाहरण के लिए जेनेटिक एल्गोरिद्म का उपयोग करना, क्योंकि यह मूल्यांकन करना सस्ता है)
4. खोज द्वारा मिले नए स्थान(स्थानों) पर प्रयोग/सिमुलेशन चलाएं और अपडेट करें और नमूने में जोड़ें
5. चरण 2 से 4 को तब तक दोहराएं जब तक कि समय समाप्त न हो जाए या 'काफी अच्छा' डिज़ाइन न करें

उपयोग किए गए सरोगेट के प्रकार और समस्या की जटिलता के आधार पर, प्रक्रिया स्थानीय या वैश्विक इष्टतम पर अभिसरण हो सकती है, या शायद कोई भी नहीं।^[11] डिज़ाइन स्पेस सन्निकटन में, किसी को इष्टतम पैरामीटर वेक्टर खोजने में दिलचस्पी नहीं है, बल्कि सिस्टम के वैश्विक व्यवहार में है। यहां सरोगेट को अंतर्निहित मॉडल की नकल करने के लिए पूरी तरह से डिज़ाइन स्थान पर आवश्यकतानुसार तैयार किया गया है। इस तरह के सरोगेट सिस्टम के वैश्विक व्यवहार में अंतर्दृष्टि प्राप्त करने का एक उपयोगी, सस्ता तरीका है। अनुकूलन अभी भी एक पोस्ट-प्रोसेसिंग चरण के रूप में हो सकता है, हालांकि बिना किसी अद्यतन प्रक्रिया के (ऊपर देखें) पाया गया इष्टतम सत्यापित नहीं किया जा सकता है।

सरोगेट मॉडलिंग सॉफ्टवेयर

सरोगेट मॉडलिंग टूलबॉक्स (श्रीमती: https://github.com/SMTorg/smt): एक पायथन पैकेज है जिसमें सरोगेट मॉडलिंग विधियों, नमूना तकनीकों और बेंचमार्किंग कार्यों का संग्रह होता है। यह पैकेज सरोगेट मॉडल का एक पुस्तकालय प्रदान करता है जो उपयोग करने में आसान है और अतिरिक्त तरीकों के कार्यान्वयन की सुविधा प्रदान करता है। एसएमटी मौजूदा सरोगेट मॉडलिंग पुस्तकालयों से अलग है क्योंकि डेरिवेटिव्स पर जोर दिया जाता है, जिसमें प्रशिक्षण डेटा के संबंध में ढाल-वर्धित मॉडलिंग, भविष्यवाणी डेरिवेटिव्स और डेरिवेटिव्स के लिए उपयोग किए जाने वाले प्रशिक्षण डेरिवेटिव शामिल हैं। इसमें नए सरोगेट मॉडल भी शामिल हैं जो कहीं और उपलब्ध नहीं हैं: आंशिक-कम वर्गों में कमी और ऊर्जा-न्यूनतम स्पलाइन इंटरपोलेशन द्वारा सिंचाई।^[12]
Surrogates.jl: एक जूलिया (प्रोग्रामिंग लैंग्वेज) पैकेज है जो रैंडम फॉरेस्ट, रेडियल बेसिस मेथड्स और क्रिगिंग जैसे टूल ऑफर करता है।

यह भी देखें

संदर्भ

↑ Ranftl, Sascha; von der Linden, Wolfgang (2021-11-13). "Bayesian Surrogate Analysis and Uncertainty Propagation". Physical Sciences Forum. 3 (1): 6. doi:10.3390/psf2021003006. ISSN 2673-9984.
↑ ^2.0 ^2.1 J.W. Bandler, Q. Cheng, S.A. Dakroury, A.S. Mohamed, M.H. Bakr, K. Madsen and J. Søndergaard, "Space mapping: the state of the art," IEEE Trans. Microwave Theory Tech., vol. 52, no. 1, pp. 337-361, Jan. 2004.
↑ Cardenas, IC (2019). "On the use of Bayesian networks as a meta-modeling approach to analyse uncertainties in slope stability analysis". Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 13 (1): 53–65. doi:10.1080/17499518.2018.1498524. S2CID 216590427.
↑ Manzoni, L.; Papetti, D. M.; Cazzaniga, P.; Spolaor, S.; Mauri, G.; Besozzi, D.; Nobile, M. S. Surfing on Fitness Landscapes: A Boost on Optimization by Fourier Surrogate Modeling. Entropy 2020, 22, 285.
↑ Bliek, L.; Verstraete, H. R.; Verhaegen, M.; Wahls, S. Online optimization with costly and noisy measurements using random Fourier expansions. IEEE transactions on neural networks and learning systems 2016, 29(1), 167-182.
↑ Dasari, S.K.; P. Andersson; A. Cheddad (2019). "Random Forest Surrogate Models to Support Design Space Exploration in Aerospace Use-Case". Artificial Intelligence Applications and Innovations (AIAI 2019). Springer. pp. 532–544. Retrieved 2019-06-02.
↑ Jin Y (2011). Surrogate-assisted evolutionary computation: Recent advances and future challenges. Swarm and Evolutionary Computation, 1(2):61–70.
↑ J.E. Rayas-Sanchez,"Power in simplicity with ASM: tracing the aggressive space mapping algorithm over two decades of development and engineering applications", IEEE Microwave Magazine, vol. 17, no. 4, pp. 64-76, April 2016.
↑ Razavi, S., B. A.Tolson, and D. H.Burn (2012), Review of surrogate modeling in water resources, Water Resour. Res., 48, W07401, doi:10.1029/2011WR011527.
↑ Loshchilov, I.; M. Schoenauer; M. Sebag (2010). "Comparison-Based Optimizers Need Comparison-Based Surrogates" (PDF). Parallel Problem Solving from Nature (PPSN XI). Springer. pp. 364–1373.
↑ Jones, D.R (2001), "A taxonomy of global optimization methods based on response surfaces," Journal of Global Optimization, 21:345–383.
↑ Bouhlel, M.A.; Hwang, J.H.; Bartoli, Nathalie; Lafage, R.; Morlier, J.; Martins, J.R.R.A. (2019). "A Python surrogate modeling framework with derivatives". Advances in Engineering Software. 135: 102662. doi:10.1016/j.advengsoft.2019.03.005. S2CID 128324330.

पढ़ना

क्विपो, एन.वी., हफ्ताका, आर.टी., वेई शाय|शाय, डब्ल्यू., गोयल, टी., वैद्यनाथन, आर., टकर, पी.के. (2005), "सरोगेट-आधारित विश्लेषण और अनुकूलन," एयरोस्पेस विज्ञान में प्रगति, 41, 1–28 .
डी. गोरीसन, आई. कौकुयट, पी. डेमेस्टर, टी. धाएने, के. क्रॉम्बेक, (2010), "एक सरोगेट कंप्यूटर आधारित डिजाइन के लिए मॉडलिंग और अनुकूली नमूनाकरण टूलबॉक्स, मशीन लर्निंग रिसर्च जर्नल, वॉल्यूम। 11, पीपी. 2051−2055, जुलाई 2010।
टी क्यू। फाम, ए. कमुसेला, एच. न्यूबर्ट, "ऑटो-एक्सट्रैक्शन ऑफ मोडेलिका कोड फ्रॉम फाइनाइट एलीमेंट एनालिसिस या मेजरमेंट डेटा, 8वां इंटरनेशनल मॉडलिका सम्मेलन, 20-22 मार्च 2011 ड्रेसडेन में।
फॉरेस्टर, अलेक्जेंडर, एंड्रास सोबेस्टर, और एंडी कीन, +व्यावहारिक+गाइड%22&ots=geJJ6nEa6C&sig=wrm4uWCZ6DNVnW4t1gJlNFO8SKE#v=onepage&q=%22इंजीनियरिंग%20डिजाइन%20via%20surrogate%20modelling%3A%20a%20practical%20गाइड%22&f=फाल्स इंजीनियरिंग डिजाइन वाया सरोगेट मॉडलिंग: एक प्रैक्टिकल गाइड, जॉन विली एंड संस, 2008।
बौहलेल, एम. ए. और बारटोली, एन. और ओट्समैन, ए. और मोरलियर, जे. (2016) उच्च- के क्रिगिंग सरोगेट्स में सुधार- पार्शियल लीस्ट स्क्वायर डायमेंशन रिडक्शन द्वारा डायमेंशनल डिज़ाइन मॉडल , स्ट्रक्चरल और मल्टीडिसिप्लिनरी ऑप्टिमाइजेशन 53 (5), 935-952
बोहलेल, एम. ए. और बार्टोली, एन. और ओत्स्मान, ए. और मोरलियर, जे. (2016) हाइपरपैरामीटर के आकलन के लिए एक बेहतर दृष्टिकोण द क्रिगिंग मॉडल फॉर हाई-डायमेंशनल प्रॉब्लम्स थ्रू द पार्शियल लीस्ट स्क्वेयर मेथड, मैथेमेटिकल प्रॉब्लम्स इन इंजीनियरिंग

बाहरी संबंध

[1] Ranftl, Sascha; von der Linden, Wolfgang (2021-11-13). "Bayesian Surrogate Analysis and Uncertainty Propagation". Physical Sciences Forum. 3 (1): 6. doi:10.3390/psf2021003006. ISSN 2673-9984.

[space_mapping-2] 2.0 ^2.1 J.W. Bandler, Q. Cheng, S.A. Dakroury, A.S. Mohamed, M.H. Bakr, K. Madsen and J. Søndergaard, "Space mapping: the state of the art," IEEE Trans. Microwave Theory Tech., vol. 52, no. 1, pp. 337-361, Jan. 2004.

[3] Cardenas, IC (2019). "On the use of Bayesian networks as a meta-modeling approach to analyse uncertainties in slope stability analysis". Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 13 (1): 53–65. doi:10.1080/17499518.2018.1498524. S2CID 216590427.

[4] Manzoni, L.; Papetti, D. M.; Cazzaniga, P.; Spolaor, S.; Mauri, G.; Besozzi, D.; Nobile, M. S. Surfing on Fitness Landscapes: A Boost on Optimization by Fourier Surrogate Modeling. Entropy 2020, 22, 285.

[5] Bliek, L.; Verstraete, H. R.; Verhaegen, M.; Wahls, S. Online optimization with costly and noisy measurements using random Fourier expansions. IEEE transactions on neural networks and learning systems 2016, 29(1), 167-182.

[6] Dasari, S.K.; P. Andersson; A. Cheddad (2019). "Random Forest Surrogate Models to Support Design Space Exploration in Aerospace Use-Case". Artificial Intelligence Applications and Innovations (AIAI 2019). Springer. pp. 532–544. Retrieved 2019-06-02.

[7] Jin Y (2011). Surrogate-assisted evolutionary computation: Recent advances and future challenges. Swarm and Evolutionary Computation, 1(2):61–70.

[8] J.E. Rayas-Sanchez,"Power in simplicity with ASM: tracing the aggressive space mapping algorithm over two decades of development and engineering applications", IEEE Microwave Magazine, vol. 17, no. 4, pp. 64-76, April 2016.

[9] Razavi, S., B. A.Tolson, and D. H.Burn (2012), Review of surrogate modeling in water resources, Water Resour. Res., 48, W07401, doi:10.1029/2011WR011527.

[10] Loshchilov, I.; M. Schoenauer; M. Sebag (2010). "Comparison-Based Optimizers Need Comparison-Based Surrogates" (PDF). Parallel Problem Solving from Nature (PPSN XI). Springer. pp. 364–1373.

[11] Jones, D.R (2001), "A taxonomy of global optimization methods based on response surfaces," Journal of Global Optimization, 21:345–383.

[bouhlel2019-12] Bouhlel, M.A.; Hwang, J.H.; Bartoli, Nathalie; Lafage, R.; Morlier, J.; Martins, J.R.R.A. (2019). "A Python surrogate modeling framework with derivatives". Advances in Engineering Software. 135: 102662. doi:10.1016/j.advengsoft.2019.03.005. S2CID 128324330.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]