Mixed-Variable Global Sensitivity Analysis For Knowledge Discovery And Efficient Combinatorial Materials Design

要約

Global Sensitivity Analysis (GSA) は、モデルの出力に対する特定の入力の影響を研究するものです。
エンジニアリング設計の文脈では、GSA は、設計目標に対する設計変数の個人的および集団的な寄与を理解するために広く使用されてきました。
これまでのところ、グローバル感度研究は多くの場合、定量的 (数値) 設計変数のみを含む設計空間に限定されてきました。
ただし、多くのエンジニアリング システムには、定量的設計変数に加えて、それだけではないにしても、定性的 (カテゴリ的) 設計変数も含まれています。
この論文では、潜在変数ガウス過程 (LVGP) と Sobol’ 解析を統合して、最初のメタモデルベースの混合変数 GSA 手法を開発します。
数値的なケーススタディを通じて、混合変数問題に対する提案手法の有効性を検証し、実証します。
さらに、提案された GSA 手法は、さまざまな工学設計アプリケーションに利益をもたらすのに十分一般的ですが、それを多目的ベイジアン最適化 (BO) と統合して、金属有機フレームワークのパレート フロント設計探索を加速する感度を意識した設計フレームワークを作成します (
MOF) 多レベルの組み合わせ設計空間を備えたマテリアル。
MOF は設計が難しいことで知られる質的変数のみから構築されますが、私たちの手法は感度分析を利用して多レベルの大規模な組み合わせ設計空間での最適化をナビゲートでき、新規 MOF 候補の探索を大幅に促進します。

要約(オリジナル)

Global Sensitivity Analysis (GSA) is the study of the influence of any given inputs on the outputs of a model. In the context of engineering design, GSA has been widely used to understand both individual and collective contributions of design variables on the design objectives. So far, global sensitivity studies have often been limited to design spaces with only quantitative (numerical) design variables. However, many engineering systems also contain, if not only, qualitative (categorical) design variables in addition to quantitative design variables. In this paper, we integrate Latent Variable Gaussian Process (LVGP) with Sobol’ analysis to develop the first metamodel-based mixed-variable GSA method. Through numerical case studies, we validate and demonstrate the effectiveness of our proposed method for mixed-variable problems. Furthermore, while the proposed GSA method is general enough to benefit various engineering design applications, we integrate it with multi-objective Bayesian optimization (BO) to create a sensitivity-aware design framework in accelerating the Pareto front design exploration for metal-organic framework (MOF) materials with many-level combinatorial design spaces. Although MOFs are constructed only from qualitative variables that are notoriously difficult to design, our method can utilize sensitivity analysis to navigate the optimization in the many-level large combinatorial design space, greatly expediting the exploration of novel MOF candidates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google