論文の概要: Surrogate Modeling and Explainable Artificial Intelligence for Complex Systems: A Workflow for Automated Simulation Exploration

• arxiv url: http://arxiv.org/abs/2510.16742v1
• Date: Sun, 19 Oct 2025 07:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.121892
• Title: Surrogate Modeling and Explainable Artificial Intelligence for Complex Systems: A Workflow for Automated Simulation Exploration
• Title（参考訳）: 複合システムのためのサロゲートモデリングと説明可能な人工知能:自動シミュレーション探索のためのワークフロー
• Authors: Paul Saves, Pramudita Satria Palar, Muhammad Daffa Robani, Nicolas Verstaevel, Moncef Garouani, Julien Aligon, Benoit Gaudou, Koji Shimoyama, Joseph Morlier,
• Abstract要約: 複雑なシステムは、シミュレーション駆動工学によってますます研究されている。 1) 正確な探索には多くの高価なシミュレーターが必要であり、(2) 決定が不透明なブラックボックスコンポーネントに依存する場合の透明性と信頼性が制限されている。 本研究では, 軽量エミュレータを高速かつ低遅延で高価なシミュレータの近似を提供し, (ii) 厳密な不確実性定量化を実現し, (iii) グローバルおよびローカルな説明可能な人工知能 (XAI) 解析に適応させる, 実験のコンパクトな設計について, 両課題に対処するワークフローを提案する。
• 参考スコア（独自算出の注目度）: 0.9236873716369859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex systems are increasingly explored through simulation-driven engineering workflows that combine physics-based and empirical models with optimization and analytics. Despite their power, these workflows face two central obstacles: (1) high computational cost, since accurate exploration requires many expensive simulator runs; and (2) limited transparency and reliability when decisions rely on opaque blackbox components. We propose a workflow that addresses both challenges by training lightweight emulators on compact designs of experiments that (i) provide fast, low-latency approximations of expensive simulators, (ii) enable rigorous uncertainty quantification, and (iii) are adapted for global and local Explainable Artificial Intelligence (XAI) analyses. This workflow unifies every simulation-based complex-system analysis tool, ranging from engineering design to agent-based models for socio-environmental understanding. In this paper, we proposea comparative methodology and practical recommendations for using surrogate-based explainability tools within the proposed workflow. The methodology supports continuous and categorical inputs, combines global-effect and uncertainty analyses with local attribution, and evaluates the consistency of explanations across surrogate models, thereby diagnosing surrogate adequacy and guiding further data collection or model refinement. We demonstrate the approach on two contrasting case studies: a multidisciplinary design analysis of a hybrid-electric aircraft and an agent-based model of urban segregation. Results show that the surrogate model and XAI coupling enables large-scale exploration in seconds, uncovers nonlinear interactions and emergent behaviors, identifies key design and policy levers, and signals regions where surrogates require more data or alternative architectures.
• Abstract（参考訳）: 複雑なシステムは、物理に基づく経験的モデルと最適化と分析を組み合わせたシミュレーション駆動のエンジニアリングワークフローを通じて、ますます研究されている。 1) 計算コストが高く、正確な探索には多くの高価なシミュレーターを必要とするため、(2) 決定が不透明なブラックボックスコンポーネントに依存する場合、透明性と信頼性が制限される。 実験のコンパクトな設計で軽量エミュレータを訓練することで,両課題に対処するワークフローを提案する。 (i)高価なシミュレータの高速かつ低遅延近似を提供する。 (二)厳密な不確実性定量化を可能にし、 (iii)は、グローバルおよびローカルな説明可能な人工知能(XAI)分析に適応している。 このワークフローは、エンジニアリング設計から、社会環境理解のためのエージェントベースのモデルまで、シミュレーションベースの複雑なシステム分析ツールを統一する。 本稿では,提案するワークフロー内でサロゲートベースの説明可能性ツールを使用するための比較方法論と実践的勧告を提案する。 この手法は、連続的および分類的な入力をサポートし、グローバルエフェクトと不確実性の分析と局所属性を組み合わせ、サロゲートモデル間の説明の一貫性を評価し、サロゲートの妥当性を診断し、さらなるデータ収集やモデルの洗練を導く。 本研究は,ハイブリッド電気航空機の多分野設計分析と都市分離のエージェントベースモデルという2つのケーススタディに対するアプローチを示す。 その結果、代理モデルとXAI結合は、数秒で大規模な探索を可能にし、非線形相互作用と創発的挙動を明らかにし、鍵となる設計とポリシーレバーを特定し、代理モデルがより多くのデータや代替アーキテクチャを必要とする地域を信号することを示した。

関連論文リスト

• Modèles de Substitution pour les Modèles à base d'Agents : Enjeux, Méthodes et Applications [0.0]
  エージェントベースモデル(ABM)は、局所的な相互作用から生じる創発的な現象を研究するために広く用いられている。 ABMの複雑さは、リアルタイム意思決定と大規模シナリオ分析の可能性を制限する。 これらの制限に対処するため、サロゲートモデルはスパースシミュレーションデータから近似を学習することで効率的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-17T08:55:33Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation [1.6230958216521798]
  本研究では,事前学習された大規模言語モデル(LLM)を活用する可能性について検討する。 推論コアとしてChatGPT APIを採用することで、自然言語処理、メソノロジーベースのプロンプトチューニング、トランスフォーマーを含む統合ワークフローを概説する。 我々の方法論の成果は、広く採用されているオントロジー言語(OWL、RDF、SPARQLなど)の知識グラフである。
  論文  参考訳（メタデータ） (2024-05-29T16:40:31Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)
• PipeSim: Trace-driven Simulation of Large-Scale AI Operations Platforms [4.060731229044571]
  大規模AIシステムのためのトレース駆動シミュレーションに基づく実験・分析環境を提案する。 IBMが開発したプロダクショングレードAIプラットフォームの分析データは、包括的なシミュレーションモデルを構築するために使用される。 独立して独立したイベントシミュレーターでモデルを実装し、実験を行うためのツールキットを提供する。
  論文  参考訳（メタデータ） (2020-06-22T19:55:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。