人工智能AI及数字孪生的机器学习与仿真报告会5月10日开讲

导读：仿真在各行各业广泛应用的价值不言而喻，但仿真的有效使用仍然面临着挑战，而这个挑战可以通过机器学习（ML）得到帮助，比如，仿真运行时间比较长限制了可执行的分析类型及可探索的输入、场景和设计可能性的数量，针对这种情况，可训练ML模型来预测仿真的结果。其好处是，一旦经过训练，ML模型可以获得比运行仿真本身更短的预测时间，从而消除了对可执行的分析类型和分析深度的限制。同样，ML模型也可用于测试或实验数据，通过使用这些数据训练出ML模型，无需执行测试或实验能就够预测未来测试或实验的结果。而当下，我们常常面对以下情况：

• 费劲获得的仿真模型和/或测试数据，如何让其发挥最大作用？

• 如何利用已有数据进行模型校准？

• 如何更加深层次地利用仿真或测试数据？

• 如何让仿真快速地驱动决策？

• 如何通过高效采样获得数字孪生的有效代理模型？

2024年5月10日-29日，仿真秀将邀请专业的现代工程机器学习和统计工具SmartUQ官方资深的应用工程师和数据科学家带来3场机器学习与仿真的线上系列报告，内容涵盖典型机器学习ML和UQ工作流所需的工具，包括SmartUQ演示和客户用例示例等。详情见后文。

一、ML模型训练

通常，仿真或测试数据的收集可能耗时且昂贵，因此训练准确ML模型所需数据量的最小化变得极其重要。现代实验设计（DOE），如拉丁超立方体设计（LHD），可用于最佳地决定收集哪些数据。SmartUQ提供了更高效的DOE，并提供了独有的选项，便于最大限度地减少仿真和测试数据收集的目标。

图1所示是一个独特的SmartUQ选项，该选项允许在空间填充批次中收集数据，该设计允许在较小阶段（smaller stages）收集数据，一旦达到ML模型所需的预测精度，就停止数据收集。

Figure 1: SmartUQ sliced design of experiments with 5 inputs and 40 totalsamples. Such a design allows for data to be collected 8 samples at a timewhile maintaining space-filling properties for the total amount of datacollected.

典型的DOE方法只考虑每个输入的下限和上限，然而，这样的方法无法满足许多问题对输入空间的约束要求。例如，一个输入是零件的内径，另一个输入是外径，典型的DOE方法将在外径小于内径的情况下产生要收集的非物理采样。为了解决这一现实问题，SmartUQ允许用户定义输入空间上的任何所需约束，提供了其空间填充设计的演变形式。

《仿真/测试和数字孪生的现代实验设计和数据采样》报告将介绍促进高保真度的嵌套结构设计建模方法和用于模型校准的仿真与测试组合数据优化收集设计，此外，还将讨论SmartUQ的自适应采样技术，该技术可利用现有的ML模型来智能地决定应在何处收集进一步的数据，从而对提高ML模型的准确性产生最大影响（图2）。

Figure 2: An ML model (left) showing prediction confidence intervals is automaticallyused by SmartUQ to suggest where the next 4 samples (orange crosses) should becollected within the original design (blue circles) to have the largest effecton improving the ML model’s accuracy.

二、AI数据采样技术

在某些情况下，对于ML模型训练，问题不在于应该收集哪些数据，而在于对于已有的大型数据集，应该使用哪些数据。例如，当从测试或现场设备上的传感器收集数据时，数据集包含了大量的冗余信息，这些信息与描述更孤立场景的数据混在一起。在对此类数据进行采样时，为获得数据全貌，重要的是不要排除更孤立的数据。SmartUQ的子采样工具（图3）允许优化选择大型数据集的较小代表性子集。SmartUQ的相关切片采样工具可用于将大数据划分为几个具有代表性的集 合。

Figure 3: All the 2-dimensional projections of a data set with 21 inputdimensions and approximately 45,000 samples is shown to the left. A comparisonis shown between 1,024 samples selected at random from the full data set and1,024 samples selected using the SmartUQ’s Subsampling tool. The data selectedaccording to the subsampling tool is much more representative of the full dataset.

三、机器学习与仿真报告会

2024年5月10日-29日，仿真秀将联合SmartUQ官方资深的应用工程师和数据科学家组织3场机器学习与仿真的线上系列报告，它们分别是：

报告一：仿真/测试和数字孪生的现代实验设计和数据采样

报告二：快速、准确和全面的SmartUQ机器学习模型

报告三：减小仿真与测试差距的机器学习

以上报告涵盖典型机器学习ML和UQ工作流所需的工具，包括SmartUQ演示和客户用例示例等。

2024SmartUQ机器学习与仿真（一）：仿真/测试和数字孪生的现代实验设计和数据采样-仿真秀直播

5月10日20时，由仿真秀和SmartUQ联合主办的人工智能AI及数字孪生的机器学习与仿真报告会首场讲座《仿真/测试和数字孪生的现代实验设计和数据采样》将通过SmartUQ这一现代高效实验设计（DOE）和数据采样工具来决定收集或者使用哪些数据来进行机器学习（ML）模型训练，欢迎仿真、测试数据或数据孪生相关的工程师及技术人员报名。

四、关于SmartUQ

SmartUQ是一款专业的现代工程机器学习和统计工具。

它可用于仿真和数字孪生精确代理模型构建及校准，具有数据采样、DOE试验设计、机器学习、统计优化、灵敏度分析、不确定性影响评估、统计校准、逆向分析等功能，能够基于仿真数据、制造数据、运营数据或测试数据获得数字孪生、人工智能等所需的代理模型，并通过不确定性评估考虑代理模型的偏差从而对代理模型进行校准，以便最大程度地让已有数据发挥其价值。可应用于汽车、航空航天和国防、涡轮机械、重型设备、医疗设备、半导体、能源、石油和天然气、HVAC等领域。