Uyarlanabilir örnekleme : Geleneksel stratejilerde bir geliştirme
Tasarım alanı keşfinin (Design Space Exploration) amaçlarından biri, optimizasyon veya hızlı takas (trade-off) çalışmaları gibi yaklaşımlar için gerçek çözücü yerine daha sonra kullanılmak üzere yüksek doğrulukta matematiksel (öngörü) modeller oluşturmaktır. Keşif, tasarım değişkenlerinin farklı kombinasyonlarından başka bir şey olmayan tasarım noktalarının örneklenmesiyle gerçekleştirilir. Genel olarak, mühendislikteki değişkenler süreklidir ve bu da tasarım kombinasyonlarını sonsuz kılar ve bu nedenle akıllı bir tasarım alanı örnekleme stratejisine sahip olmak çok önemlidir.
Latin HyperCube ve Hammersley gibi geleneksel örnekleme yöntemlerinde örnek seçimi gözlemlere bağlı değildir. Başka bir deyişle, numunelerin boyutu sabittir ve tasarım araştırmacıları tarafından önceden tanımlanmalıdır. Numune sayısını önceden belirlemek, istenmeyen iki sonuca yol açar: doğru tahmin modelleri oluşturmak için tam numune sayısını belirleme yükü ve her bir değerlendirmenin maliyetli olduğu durumlarda potansiyel numune israfı.
Örnek sayısını önceden tanımlama yükünü ortadan kaldırmak için Altair HyperStudy, tasarım alanını örnekleyen ve istenen doğruluğa ulaşıldığında duran uyarlanabilir örnekleme (yanıt-uyarlamalı örnekleme olarak da adlandırılır) stratejisini kullanır. Algoritma, kullanıcı tanımlı aralıklarla, istenen çapraz doğrulama r-kare değerine ulaşılıp ulaşılmadığını kontrol etmek için bir yanıt yüzeyi oluşturur ve bu periyodik süreç, genişletilebilir bir örnekleme şeması gerektirir. Her aralıkta, örnekleme dizisi durur ve çapraz doğrulama r-kare hesaplandıktan sonra, o ana kadar tahakkuk eden örnekler atılmadan örnekleme devam etmelidir. Bu nedenle, Latin HyperCube (LH) gibi geleneksel yöntemler genişletilemezliklerinden dolayı uygun değildir. LH’nin genişletilemezliğini gösteren iki görüntü vardır; Şekil 1, on örneğin ilk dizisini gösterir ve Şekil 2, on örneğin bir sonraki dizisini ve bu ilk dizinin on örneğini gösterir. LH yeni bir dizi oluşturduğunda, önceki dizi atılır ve bu da Şekil 2’de gösterildiği gibi tasarım uzayında örneklerin düzgün olmayan dağılımına neden olur.
Altair HyperStudy‘deki uyarlanabilir örnekleme yöntemine Modified Extensible Lattice Sequence (MELS) adı verilir. MELS’in genişletilebilirliği, sonraki örnekleri dengeleyerek mevcut örnekleri dahil etme yeteneğinden gelir.
Temsili bir öngörüye dayalı model oluşturmak için doğru sayıda örneği seçmekte zorlanıyorsanız, uyarlanabilir örnekleme kullanmak iyi bir seçenek olacaktır.
