[논문 리뷰] Review of multi-fidelity models

M. Giselle Fernández-Godino|arXiv (Cornell University)|2016. 09. 23.

Advanced Multi-Objective Optimization Algorithms참고 문헌 231인용 수 118

한 줄 요약

다중-적합도 모델(MFM)에 대한 포괄적 조사로, 그 계층적 분류, 융합 전략(대체 기반 및 계층적), 적합도 유형, 방법, 응용 및 현재 추세를 자세히 설명합니다.

ABSTRACT

Multi-fidelity models provide a framework for integrating computational models of varying complexity, allowing for accurate predictions while optimizing computational resources. These models are especially beneficial when acquiring high-accuracy data is costly or computationally intensive. This review offers a comprehensive analysis of multi-fidelity models, focusing on their applications in scientific and engineering fields, particularly in optimization and uncertainty quantification. It classifies publications on multi-fidelity modeling according to several criteria, including application area, surrogate model selection, types of fidelity, combination methods and year of publication. The study investigates techniques for combining different fidelity levels, with an emphasis on multi-fidelity surrogate models. This work discusses reproducibility, open-sourcing methodologies and benchmarking procedures to promote transparency. The manuscript also includes educational toy problems to enhance understanding. Additionally, this paper outlines best practices for presenting multi-fidelity-related savings in a standardized, succinct and yet thorough manner. The review concludes by examining current trends in multi-fidelity modeling, including emerging techniques, recent advancements, and promising research directions.

연구 동기 및 목표

• HFMs와 LFM을 비교하는 맥락에서 다중-적합도 모델의 구성과 표준화를 정의하고 규정합니다.
• 여러 적합도를 융합하거나 활용하는 surrogate 및 계층적 접근법을 조사합니다.
• 모델, 정확도 및 출처에 따른 적합도를 분류하고 융합, 보정 및 공간 매핑 기법을 논의합니다.
• 투명성과 재현성을 촉진하기 위한 응용, 벤치마킹 관행 및 동향을 평가합니다.

제안 방법

• 1980년대 말부터 2010년대 말까지의 MFMs 관련 문헌을 검토하고 분류합니다.
• surrogate-based MFMs(MFSMs)와 다중-적합도 계층 모델(MFHMs)을 구분합니다.
• MFSMs에 대한 네 가지 보정 패러다임: additive, multiplicative, comprehensive, and space mapping를 제시합니다.
• Gaussian processes 및 co-Kriging을 포함한 결정론적 vs. 비결정론적(확률적) surrogate 모델을 논의합니다.
• 비용 절감 보고, 오픈 소스 도구 및 벤치마킹에 대한 모범 사례를 요약합니다.

실험 결과

연구 질문

• RQ1 MFMs에서 지배적인 적합도 유형은 무엇이며 어떻게 분류됩니까?
• RQ2 MFSMs와 MFHMs는 데이터 융합, 비용, 정확도 간의trade-off 측면에서 어떻게 비교됩니까?
• RQ3 어떤 보정 패러다임(additive, multiplicative, comprehensive, space mapping)이 적합도와 효율성의 균형을 가장 잘 맞추나요?
• RQ4 결정론적 및 확률적 대안이 MFM 성능 및 불확실성 정량화에 어떤 영향을 미칩니까?
• RQ5 투명성, 재현성 및 벤치마킹을 개선하는 최선의 관행은 무엇입니까?

주요 결과

• MFM은 고/저-적합도 정보를 결합하여 정확도와 계산 비용의 균형을 달성합니다.
• 두 가지 주요 구조가 지배적이며: surrogate-based MFMs와 다중-적합도 계층 모델이며, 최근 추세에서 MFHMs로의 전환이 진행되고 있습니다.
• 네 가지 보정 패러다임(additive, multiplicative, comprehensive, space mapping)은 MFSMs의 핵심이며, space mapping은 적합도 간의 매개변수 공간을 정렬합니다.
• Gaussian processes와 co-Kriging은 불확실성 하에서의 예측 및 불확실성 정량화에 사용되는 비결정론적 surrogate의 두드러진 예입니다.
• 재현성, 오픈 소스 방법론, 표준화된 벤치마킹 등 모범 사례가 강조됩니다.