Trong các thiết kế kỹ thuật phức tạp như cánh siêu tới hạn,mô phỏng độ trung thực cao(CFD, phân tích phần tử hữu hạn) thường mất từ hàng chục phút đến hàng giờ cho mỗi lần đánh giá. Nếu đưa trực tiếp loại mô phỏng này vào vòng lặp tiến hóa, mỗi thế hệ quần thể đều phải đánh giá từng cá thể, ngân sách tính toán sẽ nhanh chóng cạn kiệt trong vòng vài chục thế hệ, và không gian tìm kiếm có thể khám phá cũng bị thu hẹp theo.
Mô hình thay thế(surrogate model, còn gọi là mô hình xấp xỉ hay mô hình meta) thay thế hoặc thay thế một phần mô phỏng độ trung thực cao bằng tính toán xấp xỉ chi phí thấp: nó học ánh xạ đầu vào—đầu ra từ các mẫu mô phỏng sẵn có, nhanh chóng dự đoán hiệu năng của phương án ứng viên trong tối ưu hóa tiến hóa đa mục tiêu, từ đó phá vỡ nút thắt về chi phí cao của mô phỏng độ chính xác cao.
Vì sao không thể đưa thẳng mô phỏng trung thực cao vào vòng lặp tiến hóa
- Nguồn gốc nút thắt: Các bài toán như cánh siêu tới hạn, độ bền kết cấu có mỗi lần mô phỏng CFD / phần tử hữu hạn rất tốn thời gian, trong khi thuật toán tiến hóa phải đánh giá toàn bộ quần thể ở mỗi thế hệ, khiến số lần đánh giá và ngân sách tính toán tiêu hao gần như tuyến tính.
- Hệ quả trực tiếp: Ngân sách bị ăn hết chỉ trong vài thế hệ, quy mô quần thể và số thế hệ lặp buộc phải thu hẹp, mặt trận đa mục tiêu khó được khám phá đầy đủ, không gian thiết kế thực sự bị phong tỏa vì "không đủ khả năng đánh giá".
Nguyên lý cơ bản của mô hình thay thế
Dùng cánh cơ sở, mẫu nhiễu, v.v. làmdữ liệu sẵn cóđể huấn luyện một ánh xạ "phương án ứng viên → giá trị mục tiêu và biểu hiện ràng buộc", nó trở thành mộtbộ đánh giá xấp xỉ chi phí thấp. Trong vòng lặp tiến hóa, các lời giải ứng viên trước tiên được mô hình thay thế chấm điểm theo lô, chỉ những ứng viên có điểm cao hoặc có độ bất định lớn mới được giao cho mô phỏng trung thực cao kiểm chứng.
Bốn khâu của con đường tăng tốc
- Huấn luyện ngoại tuyến: Dùng các mẫu lấy mẫu ban đầu để huấn luyện mô hình thay thế, thiết lập ánh xạ đầu vào—đầu ra sơ bộ.
- Dự đoán theo lô trực tuyến: Mỗi thế hệ dự đoán đồng thời nhiều giá trị mục tiêu cho toàn bộ ứng viên, thay thế mô phỏng trung thực cao từng điểm.
- Chọn điểm hỗ trợ bởi mô hình thay thế: Kết hợp giá trị dự đoán và độ bất định để chọn ra các ứng viên có tiềm năng cao hoặc giàu thông tin.
- Hiệu chỉnh hồi tiếp: Ghi một ít kết quả trung thực cao trở lại kho mẫu và cập nhật tăng dần mô hình thay thế, giúp các dự đoán sau đó luôn bám sát mặt đáp ứng thực.
Cân bằng giữa độ chính xác và chi phí
Mô hình thay thế càng phức tạp (từ hồi quy đơn giản đến quá trình Gauss, mạng học sâu) thường càng chính xác, nhưng chi phí huấn luyện và suy luận cũng tăng theo. Ràng buộc then chốt làmô hình thay thế phải nhanh hơn đáng kể so với mô phỏng trung thực cao, nếu không nó sẽ trở thành nút thắt mới; đồng thời độ chính xác phải đủ để chống đỡ áp lực chọn lọc, nếu không quá trình tiến hóa sẽ bị dẫn lệch theo hướng sai.
Ranh giới và rủi ro
Mô hình thay thế chỉ đáng tin cậy ở gần phân bố huấn luyện. Khi tìm kiếm đẩy các ứng viên ra vùng ngoài phân bố, dự đoán có thể đưa ra những giá trị trông hợp lý nhưng lệch nghiêm trọng, dẫn sai hướng tìm kiếm. Cách làm khả thi là: xuất ước lượng độ bất định, đặt ngưỡng tin cậy để lọc, buộc kiểm chứng trung thực cao với các ứng viên vượt biên, và dùng thống kê sai số thực tế để định kỳ kiểm tra chất lượng mô hình thay thế.
So sánh tăng tốc mô phỏng bằng mô hình thay thếHình minh họa so sánh quy trình đánh giá giữa mô phỏng trung thực cao và mô hình thay thế trong tối ưu hóa tiến hóa: cách thứ nhất tốn thời gian từng điểm, khó chống đỡ việc tìm kiếm nhiều thế hệ với quần thể lớn; cách thứ hai dùng các mẫu sẵn có để học ánh xạ từ phương án ứng viên đến giá trị mục tiêu, dự đoán nhanh theo lô. Chỉ những ứng viên dẫn đầu hoặc có độ bất định lớn mới được giao cho kiểm chứng trung thực cao, và kết quả được hồi tiếp để cập nhật mô hình thay thế, nhờ đó tập trung ngân sách mô phỏng khan hiếm vào các ứng viên then chốt.
