Additive-feature-attribution methods: a review on explainable artificial intelligence for fluid dynamics and heat transfer

要約

流体力学におけるデータ駆動型手法の使用は、乱流の複雑でマルチスケールな性質に適応し、大規模なシミュレーションや実験テストでパターンを検出できるため、近年劇的に急増しています。
トレーニング プロセス中にモデル内で生成された関係を解釈するには、数値属性を入力フィーチャに割り当てる必要があります。
重要な例の 1 つは、付加的特徴帰属法です。
これらの説明可能性手法は、入力特徴をモデル予測とリンクさせ、モデルの線形定式化に基づいた解釈を提供します。
SHapley Additive exPlanations (SHAP 値) は、モデルを理解するための独自のソリューションを提供する唯一の可能な解釈として定式化されます。
この原稿では、カーネル SHAP、ツリー SHAP、勾配 SHAP、およびディープ SHAP という文献で一般的な 4 つの実装を示しながら、加法的特徴アトリビューション手法を紹介します。
次に、加法特徴帰属法の主な応用例を、乱流モデリング、流体力学の基礎、流体力学と熱伝達の応用問題という 3 つの主要なグループに分けて紹介します。
このレビューは、流体力学分野で解釈可能で物理学に準拠した深層学習モデルを実装するには、説明可能性手法、特に付加的特徴帰属手法が重要であることを示しています。

要約(オリジナル)

The use of data-driven methods in fluid mechanics has surged dramatically in recent years due to their capacity to adapt to the complex and multi-scale nature of turbulent flows, as well as to detect patterns in large-scale simulations or experimental tests. In order to interpret the relationships generated in the models during the training process, numerical attributions need to be assigned to the input features. One important example are the additive-feature-attribution methods. These explainability methods link the input features with the model prediction, providing an interpretation based on a linear formulation of the models. The SHapley Additive exPlanations (SHAP values) are formulated as the only possible interpretation that offers a unique solution for understanding the model. In this manuscript, the additive-feature-attribution methods are presented, showing four common implementations in the literature: kernel SHAP, tree SHAP, gradient SHAP, and deep SHAP. Then, the main applications of the additive-feature-attribution methods are introduced, dividing them into three main groups: turbulence modeling, fluid-mechanics fundamentals, and applied problems in fluid dynamics and heat transfer. This review shows thatexplainability techniques, and in particular additive-feature-attribution methods, are crucial for implementing interpretable and physics-compliant deep-learning models in the fluid-mechanics field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google