Case for a unified surrogate modelling framework in the age of AI

要約

代理モデルは、自然科学、エンジニアリング、および機械学習で広く使用されており、複雑なシステムを近似し、計算コストを削減します。
ただし、現在のランドスケープには、データ収集、サンプリング設計、モデルクラスの選択、評価メトリック、およびダウンストリームタスクパフォ​​ーマンス分析など、パイプラインの重要な段階にわたる標準化がありません。
この断片化は、再現性、信頼性、およびクロスドメインの適用性を制限します。
この問題は、AI革命とそれが提供する新しいサロゲートモデルクラスのスイートによってのみ悪化しています。
このポジションペーパーでは、サロゲートモデルの開発と評価を導くための統一されたフレームワークが緊急に必要であると主張します。
包括的なパイプラインを構築するための重要な手順の概要を説明し、ドメイン固有のフレームワークの利点などの代替視点について説明します。
標準化されたアプローチを提唱することにより、このペーパーでは、代理モデリングの信頼性の向上、学際的な知識移転を促進し、その結果、科学的進歩を加速しようとしています。

要約(オリジナル)

Surrogate models are widely used in natural sciences, engineering, and machine learning to approximate complex systems and reduce computational costs. However, the current landscape lacks standardisation across key stages of the pipeline, including data collection, sampling design, model class selection, evaluation metrics, and downstream task performance analysis. This fragmentation limits reproducibility, reliability, and cross-domain applicability. The issue has only been exacerbated by the AI revolution and a new suite of surrogate model classes that it offers. In this position paper, we argue for the urgent need for a unified framework to guide the development and evaluation of surrogate models. We outline essential steps for constructing a comprehensive pipeline and discuss alternative perspectives, such as the benefits of domain-specific frameworks. By advocating for a standardised approach, this paper seeks to improve the reliability of surrogate modelling, foster cross-disciplinary knowledge transfer, and, as a result, accelerate scientific progress.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google