*[[サロゲートモデリング]] [#a59dbce3]

サロゲートモデリングとは、数値シミュレーションを行う代わりに、ニューラルネットワークなどで現象を予測するものです。

一般に、数値シミュレーションを行うよりも高速に現象を予測できるため、形状最適化や概念設計などに使用されます。

**サロゲートモデルの例 [#pd07e335]
下記は、Lattice-Boltzmann法による流体シミュレーションの流速分布を深層学習でニューラルネットワークに学ばせた結果です。

#ref(LB_nn.png,center,nowrap,80%,LB_nn);

** フレームワーク [#q2462d7f]

-[[Deep-Flow-Predictionのフレームワーク]]

**パラメータ数 [#bbe69a18]

人間は通常、現象を理解するために、数個のパラメータを持つモデルを作成し、現象に合うように、パラメータを定めていきます。モデルは、多項式であったり、指数関数、対数関数、あるいは、常微分方程式や偏微分方程式などで記述されます。

例えば、流体の流れを見るためのモデルは、粘性係数などのパラメータと移流項や拡散項などを組み合わせた偏微分方程式です。

このように、人間は少数のパラメータをもつモデルで現象を理解しようとしますが、逆に言えば、少数のパラメータを持つモデルでしか理解できないと言えます。

一方、深層学習で使われるニューラルネットワークは、現象をモデル化するために膨大な数のパラメータを必要とします。例えば、画像認識でよく使われるResNet-152でも、パラメータ数は6,000万個くらいあり、2020年に発表されたGPT-3においては、パラメータ数が1750億個もあるといわれています。

実は、この世の現象を表現するためには、膨大な数のパラメータを持つモデルが必要であり、パラメータ数個のモデルでは到底表せないのかもしれません。

将来的に、サロゲートモデルは、観測データを学習することで、この世の複雑な現象をモデル化できるようになるかもしれません。しかし、人間は、そのニューラルネットワークの膨大なパラメータの意味を理解することはできないでしょう。

トップ   編集 差分 バックアップ 添付 複製 名前変更 リロード   新規 一覧 単語検索 最終更新   ヘルプ   最終更新のRSS