[论文解读] Data-Centric Engineering: integrating simulation, machine learning and statistics. Challenges and Opportunities

Indranil Pan, Lachlan Mason+1 more|arXiv (Cornell University)|Nov 7, 2021

Model Reduction and Neural Networks参考文献 86被引用 5

一句话总结

本文提出了一种以数据为中心的工程框架，统一了仿真、机器学习与统计学，以提升工程设计与运营水平。通过将基于物理的模型与数据驱动的人工智能相结合，该框架实现了更精确、可解释且高效的解决方案，其关键贡献体现在混合建模、仿真互操作性以及工业应用中的人员技能提升方面。

ABSTRACT

Recent advances in machine learning, coupled with low-cost computation, availability of cheap streaming sensors, data storage and cloud technologies, has led to widespread multi-disciplinary research activity with significant interest and investment from commercial stakeholders. Mechanistic models, based on physical equations, and purely data-driven statistical approaches represent two ends of the modelling spectrum. New hybrid, data-centric engineering approaches, leveraging the best of both worlds and integrating both simulations and data, are emerging as a powerful tool with a transformative impact on the physical disciplines. We review the key research trends and application scenarios in the emerging field of integrating simulations, machine learning, and statistics. We highlight the opportunities that such an integrated vision can unlock and outline the key challenges holding back its realisation. We also discuss the bottlenecks in the translational aspects of the field and the long-term upskilling requirements of the existing workforce and future university graduates.

研究动机与目标

• 通过整合特定领域的物理模型，解决纯数据驱动机器学习在工程中的局限性。
• 通过混合仿真-机器学习方法，克服深度学习的黑箱特性与数据依赖性。
• 通过集成数据、仿真与人工智能的工作流，实现更快、更可靠的工程设计与运营。
• 通过开发易于使用的软件栈与技能提升路径，促进工业界采纳。
• 建立标准化、可扩展的生态系统（SimOps），实现仿真工具在以数据为中心的工程流程中的即插即用集成。

提出的方法

• 提出一种混合建模范式，将机理仿真与数据驱动的机器学习相结合，以提升预测精度与可解释性。
• 引入 SimOps 概念——一种标准化的、云原生的软件层，实现跨多种仿真工具与数据流程的互操作性。
• 利用高性能计算（HPC）、GPU 与低成本传感器，扩展仿真与数据处理能力，以支持实时工程应用。
• 将统计方法与机器学习相结合，量化不确定性，验证模型，并支持基于风险的决策制定。
• 开发版本控制、可审计的仿真环境，以支持协作、可复现性与知识共享。
• 通过类似 TensorFlow 和 Keras 的开源、模块化软件栈，推动技术民主化，实现更广泛的访问与更快的部署速度。

实验结果

研究问题

• RQ1 如何有效整合基于物理的仿真与数据驱动的机器学习，以提升工程模型的准确性与可解释性？
• RQ2 在工业与学术领域大规模推广以数据为中心的工程时，面临的关键技术与组织挑战是什么？
• RQ3 如何通过 SimOps 框架对仿真工具进行标准化与互联，以实现在以数据为中心的工作流中即插即用的集成？
• RQ4 为使当前与未来的工程师能够胜任以数据为中心的工程实践，需要哪些技能提升与课程改革？
• RQ5 混合仿真-机器学习方法对工程设计速度、运营效率与决策质量的可衡量影响是什么？

主要发现

• 以数据为中心的混合工程方法通过将物理定律嵌入数据驱动系统，显著提升了模型的可信度，降低了对大规模标注数据集的依赖。
• SimOps 框架实现了多样化仿真工具的标准化、云原生集成，增强了协作性、版本控制与可复现性。
• 尽管技术潜力强大，工业界采纳以数据为中心的工程仍受限于软件互操作性不足、人员准备度不够以及投资回报率不明确。
• 当前的深度学习模型在计算与环境成本方面仍较高，因此在数据稀缺的工程场景中，混合方法更具可持续性与可扩展性。
• 仿真、机器学习与统计学的融合，实现了更快的产品原型开发、实时的“假设分析”场景模拟，以及在实际运行环境中的故障预测能力提升。
• 长期成功取决于课程改革与技能提升，以确保工程师从一开始就具备仿真、数据科学与人工智能的综合能力。