[論文レビュー] Explainable AI for Engineering Design: A Unified Approach of Systems Engineering and Component- Based Deep Learning Demonstrated by Energy- Efficient Building Design

Philipp Geyer, Manav Mahan Singh+1 more|arXiv (Cornell University)|Aug 30, 2021

Probabilistic and Robust Engineering Design参考文献 33被引用数 4

ひとこと要約

本論文は、解釈可能なインターフェース活性化を用いてモデルの透明性と再利用性を向上させることで、システム工学と説明可能なAIを統合するコンポーネントベースのディープラーニングフレームワークを提案する。エネルギー効率の良い建物設計において、優れた一般化性能（R² = 0.94 対 0.71）と物理シミュレーションとの高い整合性（外壁部材で R² = 0.92–0.99、ゾーン部材で R² = 0.78–0.93）を達成し、感度分析と意思決定木を用いた説明可能性の向上を実証した。

ABSTRACT

Data-driven models created by machine learning, gain in importance in all fields of design and engineering. They, have high potential to assist decision-makers in creating novel, artefacts with better performance and sustainability. However,, limited generalization and the black-box nature of these models, lead to limited explainability and reusability. To overcome this, situation, we propose a component-based approach to create, partial component models by machine learning (ML). This, component-based approach aligns deep learning with systems, engineering (SE). The key contribution of the component-based, method is that activations at interfaces between the components, are interpretable engineering quantities. In this way, the, hierarchical component system forms a deep neural network, (DNN) that a priori integrates information for engineering, explainability. The, approach adapts the model structure to engineering methods of, systems engineering and to domain knowledge. We examine the, performance of the approach by the field of energy-efficient, building design: First, we observed better generalization of the, component-based method by analyzing prediction accuracy, outside the training data. Especially for representative designs, different in structure, we observe a much higher accuracy, (R2 = 0.94) compared to conventional monolithic methods, (R2 = 0.71). Second, we illustrate explainability by exemplary, demonstrating how sensitivity information from SE and rules, from low-depth decision trees serve engineering. Third, we, evaluate explainability by qualitative and quantitative methods, demonstrating the matching of preliminary knowledge and data-driven, derived strategies and show correctness of activations at, component interfaces compared to white-box simulation results, (envelope components: R2 = 0.92..0.99; zones: R2 = 0.78..0.93).

研究の動機と目的

• 従来の機械学習モデルが直面するブラックボックス性と限られた再利用可能性を是正すること。
• 構造的に多様な設計に対して、学習データの分布を越えた一般化性能を向上させること。
• システム工学と物理シミュレーションからのドメイン固有の知識をディープラーニングアーキテクチャに統合すること。
• 解釈可能なインターフェース活性化とルールベースの解釈手法を用いて説明可能性を実現すること。
• 定量的および定性的な説明可能性指標を用いて、実世界のエネルギー効率の良い建物設計において手法を検証すること。

提案手法

• 本手法は、設計問題を階層的なコンポーネントに分解し、それぞれをドメイン固有の入出力を持つ個別のディープニューラルネットワーク（DNN）としてモデル化する。
• コンポーネント間のインターフェース活性化は、解釈可能な工学的量（例：熱貫流率、ゾーン温度）を表すように制約される。
• 全体のシステムは、物理的およびシステム工学的関係を反映するディープニューラルネットワークとして構築される。
• モデル構造は、モularity、抽象化、インターフェース標準化を含むシステム工学の原則に基づいて設計される。
• 感度分析と活性化パターンを学習した低深さの意思決定木を用いて、説明可能性を強化する。
• 性能は、R²相関係数を用いて予測結果とホワイトボックスシミュレーション結果を比較することで検証される。

実験結果

リサーチクエスチョン

• RQ1 モノリシックモデルと比較して、コンポーネントベースのディープラーニングアーキテクチャは、分布外の建物設計において一般化性能を向上させることができるか？
• RQ2 コンポーネントモデルにおけるインターフェース活性化は、物理的に意味のある工学的量とどの程度整合するか？
• RQ3 感度分析と意思決定木は、モデルの内部表現から解釈可能なインサイトをどの程度効果的に抽出できるか？
• RQ4 コンポーネントベースのモデルは、建物外壁部材およびゾーン部材において、高精度なホワイトボックスシミュレーション結果とどの程度一致するか？
• RQ5 ドメイン知識とシミュレーションベンチマークを用いて、モデルの予測は信頼可能で検証可能か？

主な発見

• コンポーネントベースのモデルは、構造的に異なる建物のエネルギー性能予測において R² = 0.94 を達成し、モノリシックモデル（R² = 0.71）を著しく上回った。
• 外壁部材のインターフェース活性化は、シミュレーション結果と強い相関を示した（R² = 0.92–0.99）、物理的解釈可能性が裏付けられた。
• ゾーンレベルの予測も、シミュレーション出力と比較して高い忠実度を示し、R² = 0.78–0.93 を達成した。
• 感度分析と意思決定木は、モデル活性化から解釈可能なルールを効果的に抽出でき、工学的直感と整合した。
• 本モデルは、特に新規かつ構造的に多様な設計配置において優れた一般化性能を示した。
• システム工学の原則をディープラーニングアーキテクチャに統合することで、初期段階から高いパフォーマンスと説明可能性を両立できた。