Explainable AI for Engineering Design: A Unified Approach of Systems Engineering and Component- Based Deep Learning Demonstrated by Energy- Efficient Building Design

要約

機械学習によって作成されたデータ駆動型モデルは、設計とエンジニアリングのあらゆる分野で重要性を増しています。
これらは、意思決定者がより優れたパフォーマンスと持続可能性を備えた斬新な成果物を作成するのを支援する高い可能性を秘めています。
ただし、これらのモデルの限定された一般化とブラックボックスの性質により、説明可能性と再利用性が限定されます。
この状況を克服するために、機械学習 (ML) によって部分コンポーネント モデルを作成するコンポーネント ベースのアプローチを提案します。
このコンポーネントベースのアプローチは、ディープラーニングをシステム、エンジニアリング (SE) と連携させます。
コンポーネントベースの方法の主な貢献は、コンポーネント間の境界面での活性化が解釈可能な工学量であることです。
このようにして、階層コンポーネント システムは、エンジニアリングと説明可能性のための情報をアプリオリに統合するディープ ニューラル ネットワーク (DNN) を形成します。
このアプローチでは、モデル構造をシステム エンジニアリングのエンジニアリング手法およびドメイン知識に適合させます。
私たちは、エネルギー効率の高い建築設計の分野によるアプローチのパフォーマンスを検証します。まず、トレーニング データの外部で予測精度を分析することにより、コンポーネントベースの手法がより一般化していることが観察されました。
特に、構造が異なる代表的な設計では、従来のモノリシック手法 (R2 = 0.71) と比較して、はるかに高い精度 (R2 = 0.94) が観察されました。
次に、説明可能性を例示的に説明し、SE およびルール、低深さのデシジョン ツリーからの機密情報がどのようにエンジニアリングに役立つかを示します。
第三に、定性的および定量的方法によって説明可能性を評価し、予備知識とデータ駆動型の派生戦略の一致を実証し、ホワイトボックス シミュレーション結果と比較したコンポーネント インターフェイスでのアクティベーションの正しさを示します (エンベロープ コンポーネント: R2 = 0.92.
.0.99; ゾーン: R2 = 0.78..0.93)。

要約(オリジナル)

Data-driven models created by machine learning, gain in importance in all fields of design and engineering. They, have high potential to assist decision-makers in creating novel, artefacts with better performance and sustainability. However,, limited generalization and the black-box nature of these models, lead to limited explainability and reusability. To overcome this, situation, we propose a component-based approach to create, partial component models by machine learning (ML). This, component-based approach aligns deep learning with systems, engineering (SE). The key contribution of the component-based, method is that activations at interfaces between the components, are interpretable engineering quantities. In this way, the, hierarchical component system forms a deep neural network, (DNN) that a priori integrates information for engineering, explainability. The, approach adapts the model structure to engineering methods of, systems engineering and to domain knowledge. We examine the, performance of the approach by the field of energy-efficient, building design: First, we observed better generalization of the, component-based method by analyzing prediction accuracy, outside the training data. Especially for representative designs, different in structure, we observe a much higher accuracy, (R2 = 0.94) compared to conventional monolithic methods, (R2 = 0.71). Second, we illustrate explainability by exemplary, demonstrating how sensitivity information from SE and rules, from low-depth decision trees serve engineering. Third, we, evaluate explainability by qualitative and quantitative methods, demonstrating the matching of preliminary knowledge and data-driven, derived strategies and show correctness of activations at, component interfaces compared to white-box simulation results, (envelope components: R2 = 0.92..0.99; zones: R2 = 0.78..0.93).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google