تکنیک های شبیه سازی
آموزش‌های پیشرفته هوش مصنوعیداده کاوی و بیگ دیتا

چارچوبی برای ارزیابی تکنیک های شبیه سازی

    0
    مدت زمان مطالعه: ۳ دقیقه

    شبیه‌سازی سیستم‌های فیزیکی هم در عرصه تحقیقات و هم در دنیای واقعی، کاربردهای فراوان و ارزشمندی دارد. بیشتر ابزارهایی که در حال حاضر برای شبیه‌سازی سیستم‌های فیزیکی به کار می‌روند مبتنی بر نظریات فیزیک و محاسبات عددی هستند. با این حال، در سال‌های اخیر، متخصصان علوم کامپیوتر سعی داشته‌اند برای تکمیل و ارتقای این ابزارها تکنیک های شبیه سازی جدید طراحی کنند، این تکنیک‌ها عمدتاً در تحلیل طیف گسترده‌ای از داده‌ها ایفای نقش می‌کنند.

    الگوریتم‌های یادگیری ماشین (ML) چشم‌اندازی امیدوارکننده، به ویژه در زمینه‌ تحلیل داده، پیش رو قرار می‌دهند. به همین دلیل، بسیاری از متخصصان علوم کامپیوتر تکنیک‌های یادگیری ماشینی طراحی کرده‌اند که بعد از آموزش، با تحلیل داده‌های تجربی می‌توانند سیستم‌های فیزیکی را شبیه‌سازی کنند.

    برخی از این ابزارها نتایج خارق‌العاده‌ای از خود نشان داده‌اند؛ با این حال، ارزیابی و مقایسه‌ی آن‌ها با رویکردهای دیگر امری چالش‌برانگیزی به شمار می‌رود. زیرا علاوه بر گوناگونی مسائل، روش‌ها و راهکارهای طراحی شده نیز تفاوت‌هایی چشمگیر دارند. به همین دلیل است که تا به حال برای ارزیابی این ابزارها از چارچوب‌ها و معیارهای گوناگونی استفاده شده است.

    محققان دانشگاه نیویورک مجموعه معیاری جدید برای ارزیابی مدل‌های شبیه‌سازی سیستم‌های فیزیکی طراحی کرده‌اند. نتایج این پروژه در سامانه‌ی arXiv منتشر شده است. این مجموعه معیار را می‌توان تغییر، انطباق و بسط داد تا برای ارزیابی طیف وسیعی از تکنیک های شبیه سازی مبتنی بر یادگیری ماشین قابل کاربرد باشد.

    تکنیک های شبیه سازی

    محققان در مقاله‌ی خود نوشته‌اند: «هدف ما از تدوین این مجموعه، نزدیک‌تر شدن به معیارها و پروتکل‌های ارزیابی یکپارچه بوده است. ما در این پروژه، علاوه بر چهار نمونه سیستم فیزیکی، مجموعه‌ای از ادغام‌گرها (انتگرال‌گیرها)ی زمانی کلاسیک، روش‌های مبتنی بر داده، همچون روش‌های کرنل‌محور، MLP، CNN و نزدیک‌ترین همسایه را نیز معرفی می‌کنیم.»

    محتویات مجموعه معیارها

    مجموعه معیارهای مذکور شامل شبیه‌سازی چهار مدل فیزیکی ساده، تنظیمات آموزش و ارزیابی آن‌ها می‌باشد. این چهار سیستم عبارت‌اند از: یک فنر در حال نوسان، یک معادله‌ی موج خطی تک‌بُعدی، مسئله‌ی جریان ناویر-استوکس و در آخر، یک شبکه فنر میرا.

    «سیستم‌های موجود در این مجموعه به نحوی انتخاب شده‌اند که میزان پیچیدگی‌شان از کم تا زیاد متنوع است. فنر در حال نوسان سیستمی خطی است که فضای شروط و حالاتش ابعاد کمی دارند. معادله‌ی موج، سیستم خطی با ابعاد کم است که بعد از گسسته‌سازی، تعداد ابعاد فضای حالتش نسبتاً بیشتر می‌شود. معادلات ناویر-استوکس غیرخطی هستند. به همین دلیل آن را به نحوی تنظیم کرده‌ایم که فضای شروطش ابعاد کم و فضای حالاتش ابعاد زیادی داشته باشد. هم فضای حالات و هم فضای شروط اولیه‌ سیستم چهارم، شبکه فنرهای میرا، ابعاد زیادی دارند.»

    این مجموعه معیار جدید علاوه بر شبیه‌سازی‌های چهار سیستم مذکور، تعدادی رویکرد و ابزار شبیه‌سازی نیز دارد که هم رویکرد قدیمی (عددی) و هم تکنیک‌های جدید (یادگیری ماشین مبتنی بر داده) را در بر دارند.

    دانشمندان می‌توانند با استفاده از این معیارها، به شیوه‌ای هدف‌محور و سیستماتیک تکنیک های شبیه سازی خود را ارزیابی کرده و دقت، کارآیی و ثبات آن‌ها را بسنجند. بدین طریق می‌توان عملکرد ابزارهای گوناگونی که از طرق دیگر به راحتی قابل مقایسه نیستند را به صورت معتبر نسبت به یکدیگر سنجید. علاوه بر این‌ها، با تغییر تنظیمات این چارچوب و بسط آن می‌توان در مسائل دیگر و در رویکردهای محاسباتی نیز از آن استفاده کرد.

    کاربردهای یافته‌های جدید

    طبق برآورد محققان، یافته‌های این پژوهش سه کاربرد عمده خواهند داشت؛ اول، دیتاست‌های توسعه یافته را می‌توان برای آموزش و ارزیابی تکنیک‌های یادگیری ماشین این حوزه به کار برد. دوم، از نرم‌افزار شبیه‌ساز می‌توان در تولید دیتاست‌های جدید با اندازه، ابعاد و توزیع متفاوت استفاده کرد. نرم‌افزار آموزشی نیز در اجرای آزمایشات به کار می‌رود. کاربرد سوم مربوط به ترندهای مشاهده شده در نتایج پژوهش است که می‌توانند بر طراحی مسائل شبیه‌سازی یادگیری ماشین تأثیر گذاشته و به آن‌ها جهت دهند.»

    به زودی می‌توان از این مجموعه معیار در ارزیابی تکنیک های شبیه سازی موجود و همچنین تکنیک‌های نوظهور استفاده کرد. اما در حال حاضر، این معیارها همه‌ی تنظیمات و ساختارها را پوشش نمی‌دهند و به بسط و توسعه بیشتر نیاز دارند.

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    سازمان اطلاعات کره جنوبی راز لاغر شدن رهبر کره شمالی را با هوش مصنوعی تشخیص داد

    مقاله قبلی

    تأثیر اندازه بسته شبکه بر آموزش شبکه عصبی

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *