論文の概要: Interpretable and Explainable Surrogate Modeling for Simulations: A State-of-the-Art Survey and Perspectives on Explainable AI for Decision-Making

• arxiv url: http://arxiv.org/abs/2604.14240v1
• Date: Wed, 15 Apr 2026 03:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.937483
• Title: Interpretable and Explainable Surrogate Modeling for Simulations: A State-of-the-Art Survey and Perspectives on Explainable AI for Decision-Making
• Title（参考訳）: シミュレーションのための解釈可能な説明可能なサロゲートモデリング:-現状調査と意思決定のための説明可能なAIの展望-
• Authors: Pramudita Satria Palar, Paul Saves, Muhammad Daffa Robani, Nicolas Verstaevel, Moncef Garouani, Julien Aligon, Koji Shimoyama, Joseph Morlier, Benoit Gaudou,
• Abstract要約: サロゲートモデルは複雑なシステムシミュレーションの計算コストを削減する上で中心的な役割を果たす。 説明可能な人工知能(XAI)は、これらのモデルをアンパックするための強力なツールを提供する。 XAIメソッドは、高い入力、動的システム、厳格な信頼性要求など、エンジニアリング固有の制約に悩まされる。
• 参考スコア（独自算出の注目度）: 0.9236873716369859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The simulation of complex systems increasingly relies on sophisticated but fundamentally opaque computational black-box simulators. Surrogate models play a central role in reducing the computational cost of complex systems simulations across a wide range of scientific and engineering domains. Notwithstanding, they inevitably inherit and often exacerbate this black-box nature, obscuring how input variables drive physical responses. Conversely, Explainable Artificial Intelligence (XAI) offers powerful tools to unpack these models. Yet, XAI methods struggle with engineering-specific constraints, such as highly correlated inputs, dynamical systems, and rigorous reliability requirements. Consequently, surrogate modeling and XAI have largely evolved as distinct fields of research, despite their strong complementarity. To reconnect these approaches, this state-of-the-art survey provides a structured perspective that maps existing XAI techniques onto the various stages of surrogate modeling workflows for design and exploration. To ground this synthesis, we draw upon illustrative applications across both equation-based simulations and agent-based modeling. We survey a broad spectrum of techniques, highlighting their strengths for revealing interactions and supporting human comprehension. Finally, we identify pressing open challenges, including the explainability of dynamical systems and the handling of mixed-variable systems, and propose a research agenda to make explainability a core, embedded element of simulation-driven workflows from model construction through decision-making. By transforming opaque emulators into explainable tools, this agenda empowers practitioners to move beyond accelerating simulations to extracting actionable insights from complex system behaviors.
• Abstract（参考訳）: 複雑なシステムのシミュレーションは、洗練されたが基本的に不透明な計算ブラックボックスシミュレータにますます依存している。 サロゲートモデルは、幅広い科学的・工学的な領域にわたる複雑なシステムシミュレーションの計算コストを削減する上で中心的な役割を果たす。 それでも、このブラックボックスの性質を必然的に継承し、しばしば悪化させ、入力変数が物理的な応答をどう駆動するかを見極める。 逆に、説明可能な人工知能(XAI)は、これらのモデルをアンパックするための強力なツールを提供する。 しかし、XAI法は、高い相関入力、動的システム、厳密な信頼性要求など、エンジニアリング固有の制約に悩まされている。 その結果、サロゲートモデリングとXAIは、その強い相補性にもかかわらず、研究の異なる分野として大きく進化してきた。 これらのアプローチを再接続するために、この最先端調査は、既存のXAIテクニックを設計と探索のための代理モデリングワークフローの様々なステージにマッピングする構造化された視点を提供する。 この合成を基礎として、方程式ベースシミュレーションとエージェントベースモデリングの両方にまたがる説明的応用を導出する。 多様な手法を探索し、相互作用を明らかにし、人間の理解を支援するための強みを強調した。 最後に,動的システムの説明可能性や混合変数システムの扱いなど,オープンな課題を抽出し,モデル構築から意思決定に至るまでのシミュレーション駆動ワークフローの中核的な要素として,説明可能性を実現するための研究課題を提案する。 不透明なエミュレータを説明可能なツールに変換することで、このアジェンダは実践者に、シミュレーションの加速を超えて、複雑なシステムの振る舞いから実行可能な洞察を抽出する権限を与える。

関連論文リスト

• Artificial Intelligence for Modeling and Simulation of Mixed Automated and Human Traffic [7.44360671272726]
  本稿では,エージェントレベルの行動モデル,環境レベルのシミュレーション手法,認知的および物理学的インフォームド手法の3つのファミリーにメソッドを編成する分類法を紹介する。 交通工学と計算機科学の両方の視点を網羅することで、これらの2つのコミュニティのギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2026-04-14T15:09:07Z)
• Surrogate Modeling and Explainable Artificial Intelligence for Complex Systems: A Workflow for Automated Simulation Exploration [0.9236873716369859]
  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。
  論文  参考訳（メタデータ） (2025-10-19T07:55:52Z)
• 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)
• Designing Reliable Experiments with Generative Agent-Based Modeling: A Comprehensive Guide Using Concordia by Google DeepMind [39.96801170116895]
  Generative Agent-Based Modeling (GABM)は、AI駆動エージェントが複雑な振る舞いを生成できるシミュレーションを作成することができる。 本稿では,GABMを用いた信頼性実験を設計するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-11T14:45:08Z)
• Next-Generation Simulation Illuminates Scientific Problems of Organised Complexity [14.665628508798319]
  我々は、科学的問題の古典的な分類を再考し、未解決の問題の連続が残っていることを認めた。 我々は,異なるパラダイムのメソッドを統合するプラットフォームとして機能する次世代シミュレーション(NGS)に焦点を当てる。 本稿では,それを実現するための方法論,洗練された行動シミュレーション(SBS)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T10:05:52Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Beyond Explaining: Opportunities and Challenges of XAI-Based Model Improvement [75.00655434905417]
  説明可能な人工知能(XAI)は、高度に複雑な機械学習(ML)モデルに透明性をもたらす新たな研究分野である。 本稿では,機械学習モデルの諸特性を改善するために,XAIを実用的に応用する手法を概観する。 実験では,モデル一般化能力や推論などの特性を改善する上で,説明がどのように役立つのかを,おもちゃと現実的な設定で実証的に示す。
  論文  参考訳（メタデータ） (2022-03-15T15:44:28Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
  シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。 シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。 我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
  論文  参考訳（メタデータ） (2021-12-06T18:45:31Z)
• Interpretable Hyperspectral AI: When Non-Convex Modeling meets Hyperspectral Remote Sensing [57.52865154829273]
  ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。 過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。 このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
  論文  参考訳（メタデータ） (2021-03-02T03:32:10Z)

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。