仿真在各行各业广泛应用所产生的价值不言而喻，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，实验数据或数字孪生，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，实验或数字孪生的结果。

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？

欢迎关注以上问题的技术人员来参加SmartUQ系列讲座，本次系列讲座涵盖典型机器学习ML和UQ工作流所需的工具，包括SmartUQ演示和客户用例示例，主要包括

报告一：仿真/测试和数字孪生的现代实验设计和数据采样（点击进入直播间）

报告二：快速、准确和全面的SmartUQ机器学习模型（点击进入直播间）

报告三：减小仿真与测试差距的机器学习（点击进入直播间）

二、主讲嘉宾

Gavin Jones SmartUQ首席应用工程师

资深应用工程师，负责航空航天、国防、汽车、燃气轮机和其他行业客户的仿真和统计工作，为SmartUQ数字孪生/数字线程计划做出了主要贡献。

image (1).png

Sky Hung博士 SmartUQ高级数据科学家

资深数据科学家，为SmartUQ现代工程应用开发突破性人工智能做出了主要贡献，具有丰富的SmartUQ在工程领域的客户支持经验。

长图750.jpg