[논문 리뷰] 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 Singh외 1명|arXiv (Cornell University)|2021. 08. 30.

Probabilistic and Robust Engineering Design참고 문헌 33인용 수 4

한 줄 요약

이 논문은 엔지니어링 설계에서 시스템 공학과 설명 가능한 AI를 통합하기 위해 구성 요소 기반 딥 러닝 프레임워크를 제안한다. 해석 가능한 인터페이스 활성화를 통해 모델의 투명성과 재사용성을 향상시킨다. 에너지 효율적인 건물 설계 분야에서, 이는 우수한 일반화 성능(R² = 0.94 대비 0.71)과 물리적 시뮬레이션과의 높은 일치도(외벽에 대해 R² = 0.92–0.99, 구역에 대해 R² = 0.78–0.93)를 달성하여 민감도 분석과 의사결정 트리 기반의 설명 가능성 향상을 입증한다.

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).

연구 동기 및 목표

• 기존 기계학습 모델이 엔지니어링 설계 분야에서 투명도가 낮고 재사용성이 제한적인 문제를 해결하기 위해.
• 특히 구조적으로 다양성이 큰 설계에 대해 훈련 데이터 분포를 초월한 모델 일반화 성능을 향상시키기 위해.
• 시스템 공학과 물리적 시뮬레이션 분야의 전문 지식을 딥 러닝 아키텍처에 통합하기 위해.
• 해석 가능한 인터페이스 활성화와 규칙 기반 해석 방법을 통해 설명 가능성 확보하기 위해.
• 실제 에너지 효율적인 건물 설계 사례를 대상으로 정량적 및 정성적 설명 가능성 지표를 사용해 접근 방식을 검증하기 위해.

제안 방법

• 설계 문제를 계층적 구성 요소로 분해하며, 각 구성 요소는 도메인 특화 입력과 출력을 갖는 별도의 딥 신경망(DNN)으로 모델링된다.
• 구성 요소 간 인터페이스 활성화는 해석 가능한 공학적 양(예: 열전달 계수, 구역 온도 등)을 나타내도록 제약된다.
• 전체 시스템은 구성 요소 간 연결이 물리적 및 시스템 공학적 관계를 반영하는 딥 신경망을 형성한다.
• 모델 구조는 모듈성, 추상화, 인터페이스 표준화 등의 시스템 공학 원칙에 기반한다.
• 민감도 분석과 활성화 패턴을 기반으로 훈련된 저깊이 의사결정 트리를 활용해 설명 가능성 확보한다.
• 성능는 R² 상관계수 지표를 사용해 예측 결과를 화이트박스 시뮬레이션 결과와 비교함으로써 검증된다.

실험 결과

연구 질문

• RQ1 구성 요소 기반 딥 러닝 아키텍처는 기존의 통합형 모델 대비 분포 외의 건물 설계에서 일반화 성능을 향상시킬 수 있는가?
• RQ2 구성 요소 모델의 인터페이스 활성화는 얼마나 물리적으로 의미 있는 공학적 양과 일치하는가?
• RQ3 민감도 분석과 의사결정 트리는 모델 내부 표현으로부터 얼마나 잘 해석 가능한 통찰을 도출하는가?
• RQ4 구성 요소 기반 모델은 건물 외벽 및 구역 구성 요소에 대해 고정밀 화이트박스 시뮬레이션 결과와 얼마나 잘 일치하는가?
• RQ5 도메인 지식과 시뮬레이션 벤치마크를 활용해 모델 예측을 신뢰하고 검증할 수 있는가?

주요 결과

• 구성 요소 기반 모델은 구조적으로 다른 건물의 에너지 성능 예측에서 R² = 0.94를 달성하여 통합형 모델(R² = 0.71)보다 유의미하게 뛰어난 성능을 보였다.
• 외벽 구성 요소의 인터페이스 활성화는 시뮬레이션 결과와 강한 상관관계를 보였으며(R² = 0.92–0.99), 물리적 해석 가능성 확인.
• 구역 수준의 예측도 높은 정밀도를 보였으며, 시뮬레이션 출력과 비교해 R² = 0.78–0.93의 결과를 기록.
• 민감도 분석과 의사결정 트리는 모델 활성화에서 해석 가능한 규칙를 성공적으로 도출하여 공학적 직관과 일치.
• 특히 새로운 구조적 다양성을 가진 설계 구성에 대해 뛰어난 일반화 성능를 보였다.
• 시스템 공학 원리를 딥 러닝 아키텍처에 통합함으로써 최초 단계부터 높은 성능과 설명 가능성의 동시 달성 가능.