ในการออกแบบทางวิศวกรรมที่ซับซ้อน เช่น แอร์ฟอยล์แบบวิกฤตยิ่งยวด (supercritical airfoil)การจำลองความแม่นยำสูง(CFD, การวิเคราะห์ไฟไนต์เอลิเมนต์) มักใช้เวลาตั้งแต่หลายสิบนาทีไปจนถึงหลายชั่วโมงต่อการประเมินหนึ่งครั้ง หากนำการจำลองนี้ไปฝังในลูปวิวัฒนาการโดยตรง ประชากรในแต่ละรุ่นจะต้องถูกประเมินทีละตัว งบประมาณการคำนวณจะหมดลงอย่างรวดเร็วภายในไม่กี่สิบรุ่น และพื้นที่การค้นหาที่สำรวจได้ก็จะถูกบีบให้แคบลงตามไปด้วย
โมเดลตัวแทน(surrogate model หรือที่เรียกว่า โมเดลประมาณค่า, เมตาโมเดล) ใช้การคำนวณแบบประมาณที่มีต้นทุนต่ำเข้ามาทดแทนหรือทดแทนบางส่วนของการจำลองความแม่นยำสูง โดยเรียนรู้การแมปจากอินพุตไปยังเอาต์พุตจากตัวอย่างการจำลองที่มีอยู่ และคาดการณ์ประสิทธิภาพของตัวเลือกต่างๆ ได้อย่างรวดเร็วในการปรับให้เหมาะสมแบบหลายวัตถุประสงค์ด้วยวิธีวิวัฒนาการ จึงสามารถก้าวข้ามข้อจำกัดด้านต้นทุนที่สูงของการจำลองความแม่นยำสูงได้
ทำไมจึงไม่สามารถใส่การจำลองความแม่นยำสูงเข้าไปในลูปวิวัฒนาการโดยตรงได้
- ที่มาของคอขวด: ปัญหา เช่น แอร์ฟอยล์แบบวิกฤตยิ่งยวด ความแข็งแรงของโครงสร้าง ใช้เวลาจำลอง CFD / ไฟไนต์เอลิเมนต์ต่อครั้งนาน ขณะที่อัลกอริทึมวิวัฒนาการต้องประเมินประชากรทั้งหมดในทุกๆ รุ่น จำนวนการประเมินจึงสิ้นเปลืองงบประมาณการคำนวณแบบเกือบเป็นเส้นตรง
- ผลที่ตามมาโดยตรง: งบประมาณถูกใช้หมดไปในไม่กี่รุ่น ขนาดประชากรและจำนวนรอบการทำซ้ำจึงต้องถูกบีบให้เล็กลง พรมแดนหลายวัตถุประสงค์ยากที่จะสำรวจได้อย่างเต็มที่ พื้นที่การออกแบบที่แท้จริงถูกปิดกั้นด้วยคำว่า "ประเมินไม่ไหว"
หลักการพื้นฐานของโมเดลตัวแทน
ใช้ข้อมูลที่มีอยู่แล้ว เช่น แอร์ฟอยล์พื้นฐาน ตัวอย่างที่ถูกรบกวนข้อมูลที่มีอยู่แล้วฝึกความสัมพันธ์การแมป "ตัวเลือก → ค่าเป้าหมายและพฤติกรรมข้อจำกัด" มันก็จะกลายเป็นตัวประเมินแบบประมาณราคาถูกในลูปวิวัฒนาการ โซลูชันตัวเลือกจะถูกให้คะแนนแบบกลุ่มโดยโมเดลตัวแทนก่อน มีเพียงตัวเลือกไม่กี่ตัวที่มีคะแนนสูงหรือมีความไม่แน่นอนสูงเท่านั้นที่จะถูกส่งไปตรวจสอบด้วยการจำลองความแม่นยำสูง
สี่ขั้นตอนของเส้นทางการเร่งความเร็ว
- การฝึกแบบออฟไลน์: ฝึกโมเดลตัวแทนด้วยตัวอย่างที่สุ่มเก็บในตอนแรก เพื่อสร้างการแมปจากอินพุตไปยังเอาต์พุตในเบื้องต้น
- การคาดการณ์แบบกลุ่มออนไลน์: ในแต่ละรุ่น คาดการณ์ค่าเป้าหมายหลายค่าสำหรับตัวเลือกทั้งหมดพร้อมกัน แทนการจำลองความแม่นยำสูงทีละจุด
- การเลือกจุดโดยมีโมเดลตัวแทนช่วย: ผสานค่าคาดการณ์กับความไม่แน่นอน เพื่อคัดเลือกตัวเลือกที่มีศักยภาพสูงหรือมีข้อมูลสูง
- การป้อนกลับเพื่อแก้ไข: เขียนผลลัพธ์ความแม่นยำสูงจำนวนเล็กน้อยกลับเข้าคลังตัวอย่าง และอัปเดตโมเดลตัวแทนแบบเพิ่มทีละส่วน เพื่อให้การคาดการณ์ครั้งต่อๆ ไปใกล้เคียงพื้นผิวตอบสนองจริงอย่างต่อเนื่อง
การ权衡ระหว่างความแม่นยำกับต้นทุน
โมเดลตัวแทนยิ่งซับซ้อน (ตั้งแต่การถดถอยอย่างง่าย ไปจนถึงกระบวนการเกาส์เซียน โครงข่ายเชิงลึก) มักจะยิ่งแม่นยำ แต่ค่าใช้จ่ายในการฝึกและการอนุมานก็สูงขึ้นตามไปด้วย ข้อจำกัดสำคัญคือโมเดลตัวแทนต้องเร็วกว่าการจำลองความแม่นยำสูงอย่างมีนัยสำคัญมิฉะนั้นมันจะกลายเป็นคอขวดใหม่ ขณะเดียวกันความแม่นยำก็ต้องเพียงพอที่จะรองรับแรงกดดันในการคัดเลือก มิฉะนั้นวิวัฒนาการจะถูกนำไปผิดทิศทาง
ขอบเขตและความเสี่ยง
โมเดลตัวแทนเชื่อถือได้เฉพาะใกล้การกระจายของการฝึก เมื่อการค้นหาผลักตัวเลือกออกไปยังพื้นที่นอกการกระจาย การคาดการณ์อาจให้ค่าที่ดูสมเหตุสมผลแต่เบี่ยงเบนอย่างรุนแรง ทำให้ทิศทางการค้นหาผิดพลาด แนวทางที่ทำได้คือ: แสดงค่าประมาณความไม่แน่นอน ตั้งเกณฑ์ความเชื่อมั่นในการคัดกรอง บังคับตรวจสอบด้วยความแม่นยำสูงสำหรับตัวเลือกที่ออกนอกขอบเขต และใช้สถิติข้อผิดพลาดจริงตรวจสอบคุณภาพของโมเดลตัวแทนเป็นระยะ
การเปรียบเทียบการเร่งความเร็วการจำลองด้วยโมเดลตัวแทนแผนภาพเปรียบเทียบกระบวนการประเมินของการจำลองความแม่นยำสูงและโมเดลตัวแทนในการปรับให้เหมาะสมด้วยวิธีวิวัฒนาการ: แบบแรกใช้เวลาทีละจุด ยากที่จะรองรับการค้นหาประชากรขนาดใหญ่หลายรุ่น ส่วนแบบหลังใช้ตัวอย่างที่มีอยู่เรียนรู้การแมปจากตัวเลือกไปยังค่าเป้าหมาย และคาดการณ์แบบกลุ่มอย่างรวดเร็ว โดยส่งเฉพาะตัวเลือกที่อยู่ในอันดับต้นหรือมีความไม่แน่นอนสูงให้ตรวจสอบด้วยความแม่นยำสูง และป้อนผลลัพธ์กลับเพื่ออัปเดตโมเดลตัวแทน จึงทำให้งบประมาณการจำลองที่มีอยู่อย่างจำกัดมุ่งไปที่ตัวเลือกสำคัญ
