ИИ-суррогаты краш-тестов: dropout-оценка неопределенности точнее и дешевле ансамблей
Исследователи представили сравнение двух популярных методов оценки неопределенности в ИИ-суррогатах для краш-тестов: Monte Carlo Dropout и Deep Ensembles. Работа выполнена на открытом бенчмарке — стальной бамперной балке при ударе.
Суррогатные модели машинного обучения позволяют ускорить инженерное проектирование, давая почти мгновенные предсказания вместо дорогих симуляций высокой точности. Однако без оценки неопределенности инженер не может знать, когда модели нельзя доверять, что критично для безопасности.
Авторы использовали открытый пайплайн на базе NVIDIA PhysicsNeMo. Ключевое новшество — конкретный dropout (concrete dropout), который автоматически обучает вероятность отключения нейронов, устраняя необходимость ручного подбора гиперпараметра.
Результаты показали принципиальный компромисс между точностью и калибровкой. Вопреки распространённому мнению, что глубокие ансамбли (Deep Ensembles) являются золотым стандартом, dropout-метод продемонстрировал хорошо калиброванные оценки неопределенности при значительно меньших вычислительных затратах.
Исследование подчёркивает, что гиперпараметр-свободная оценка неопределенности достижима в полностью открытом инженерном пайплайне. Это может изменить подход к применению ИИ в задачах, где безопасность имеет первостепенное значение.
