कंप्यूटर प्रयोग

कंप्यूटर प्रयोग या अनुकरण प्रयोग एक कंप्यूटर अनुकरण का अध्ययन करने के लिए प्रयोग किया जाने वाला एक प्रयोग है, जिसे सिलिको सिस्टम में भी कहा जाता है। इस क्षेत्र में कम्प्यूटेशनल भौतिकी (अभिकलनात्‍मक), कम्प्यूटेशनल रसायन विज्ञान, कम्प्यूटेशनल जीव विज्ञान और अन्य समान विषय शामिल हैं।

पृष्ठभूमि

कंप्यूटर सिमुलेशन एक भौतिक प्रणाली का अनुकरण करने के लिए बनाए गए हैं। क्योंकि ये किसी प्रणाली के कुछ पहलू को विस्तार से दोहराने के लिए होते हैं, वे अक्सर एक विश्लेषणात्मक समाधान नहीं देते हैं। इसलिए, असतत घटना अनुकरण या परिमित तत्व सॉल्वर जैसे तरीकों का उपयोग किया जाता है। एक कंप्यूटर मॉडल का उपयोग उस सिस्टम के बारे में अनुमान लगाने के लिए किया जाता है, जिसकी वह प्रतिकृति करता है। उदाहरण के लिए, अक्सर जलवायु मॉडल का उपयोग किया जाता है क्योंकि पृथ्वी के आकार की वस्तु पर प्रयोग असंभव है।

उद्देश्य

कंप्यूटर प्रयोगों को ध्यान में रखते हुए कई उद्देश्यों के लिए नियोजित किया गया है। उनमें से कुछ शामिल हैं:

• अनिश्चितता मात्रा का ठहराव: कंप्यूटर सिमुलेशन के निर्माण के दौरान अज्ञात से उत्पन्न होने वाले कंप्यूटर सिमुलेशन में अनिश्चितता की विशेषता।
• व्युत्क्रम समस्याएँ: भौतिक डेटा से सिस्टम के अंतर्निहित गुणों की खोज करें।
• अभिनति सुधार: सिमुलेशन में पूर्वाग्रह को ठीक करने के लिए भौतिक डेटा का उपयोग करें।
• डेटा एसिमिनेशन: कई सिमुलेशन और भौतिक डेटा स्रोतों को एक पूर्ण भविष्य कहनेवाला मॉडल में संयोजित करें।
• सिस्टम डिजाइन: ऐसे इनपुट खोजें जो इष्टतम सिस्टम प्रदर्शन उपायों में परिणत होते हैं।

कंप्यूटर अनुकरण मॉडलिंग

कंप्यूटर प्रयोगों की मॉडलिंग आमतौर पर एक बायेसियन फ्रेमवर्क का उपयोग करती है। बायेसियन सांख्यिकी आंकड़ों के क्षेत्र की एक व्याख्या है जहां दुनिया की वास्तविक स्थिति के बारे में सभी साक्ष्य स्पष्ट रूप से संभावनाओं के रूप में व्यक्त किए जाते हैं। कंप्यूटर प्रयोगों के दायरे में, बायेसियन व्याख्या का अर्थ होगा कि हमें एक पूर्व वितरण बनाना चाहिए जो कंप्यूटर मॉडल की संरचना पर हमारे पूर्व विश्वास का प्रतिनिधित्व करता है। कंप्यूटर प्रयोगों के लिए इस दर्शन का उपयोग 1980 के दशक में शुरू हुआ और सैक्स एट अल द्वारा अच्छी तरह से संक्षेप में प्रस्तुत किया गया है। (1989) [1]। जबकि बायेसियन दृष्टिकोण का व्यापक रूप से उपयोग किया जाता है, हाल ही में अक्सरवादी दृष्टिकोणों पर चर्चा की गई है[2]।

इस ढांचे का मूल विचार इनपुट के एक सेट के अज्ञात कार्य के रूप में कंप्यूटर सिमुलेशन को मॉडल करना है। कंप्यूटर सिमुलेशन को कंप्यूटर कोड के एक टुकड़े के रूप में लागू किया जाता है जिसका मूल्यांकन आउटपुट के संग्रह का उत्पादन करने के लिए किया जा सकता है। इन सिमुलेशन के इनपुट के उदाहरण अंतर्निहित मॉडल में गुणांक, प्रारंभिक स्थितियां और बल कार्य हैं। सिमुलेशन को एक निर्धारक कार्य के रूप में देखना स्वाभाविक है जो इन इनपुट को आउटपुट के संग्रह में मैप करता है। हमारे सिम्युलेटर को इस तरह देखने के आधार पर, इनपुट के संग्रह को $x$ कंप्यूटर सिमुलेशन को स्वयं $f$ और परिणामी आउटपुट को $f(x)$ के रूप में संदर्भित करना आम बात है। दोनों $x$ और $f(x)$ सदिश राशियाँ हैं, और वे मानों का बहुत बड़ा संग्रह हो सकते हैं, जिन्हें अक्सर स्थान द्वारा, या समय के अनुसार, या स्थान और समय दोनों द्वारा अनुक्रमित किया जाता है।

यद्यपि $f(\cdot )$ सिद्धांत रूप में जाना जाता है, व्यवहार में ऐसा नहीं है। कई सिमुलेटरों में उच्च-स्तरीय कंप्यूटर कोड की हजारों लाइनें शामिल होती हैं, जो कि अंतर्ज्ञान के लिए सुलभ नहीं है। कुछ सिमुलेशन के लिए, जैसे जलवायु मॉडल, इनपुट के एक सेट के लिए आउटपुट के मूल्यांकन के लिए लाखों कंप्यूटर घंटों की आवश्यकता हो सकती है[3]।

गाऊसी प्रक्रिया पूर्व

कंप्यूटर कोड आउटपुट के लिए विशिष्ट मॉडल एक गाऊसी प्रक्रिया है। सांकेतिक सादगी के लिए, मान लीजिए $f(x)$ एक अदिश राशि है। बायेसियन ढांचे के कारण, हम अपने विश्वास को ठीक करते हैं कि function $f$ गॉसियन प्रक्रिया का अनुसरण करता है, $f\sim \operatorname {GP} (m(\cdot ),C(\cdot ,\cdot )),$ कहां $m$ औसत कार्य है और $C$ सहप्रसरण कार्य है। लोकप्रिय माध्य फलन निम्न कोटि के बहुपद हैं और एक लोकप्रिय सहप्रसरण फलन मातृ सहप्रसरण है, जिसमें दोनों घातांक शामिल हैं ($\nu =1/2$) और गाऊसी सहप्रसरण (as $\nu \rightarrow \infty$).

कंप्यूटर प्रयोगों का डिजाइन

कंप्यूटर प्रयोगों के डिजाइन में पैरामीट्रिक मॉडल के प्रयोगों के डिजाइन से काफी अंतर है। चूंकि एक गॉसियन प्रक्रिया में एक अनंत आयामी प्रतिनिधित्व होता है, ए और डी मानदंड (इष्टतम डिजाइन देखें) की अवधारणाएं, जो मापदंडों में त्रुटि को कम करने पर ध्यान केंद्रित करती हैं, का उपयोग नहीं किया जा सकता है। जब कंप्यूटर सिमुलेशन में कोई त्रुटि नहीं होती है तो प्रतिकृतियां भी व्यर्थ होंगी। एक अच्छे प्रायोगिक डिज़ाइन को निर्धारित करने के लिए उपयोग किए जाने वाले मानदंड में एकीकृत माध्य वर्ग पूर्वानुमान त्रुटि शामिल है euclid.ss%2F1177012413 और दूरी आधारित मापदंड [4]।

डिजाइन के लिए लोकप्रिय रणनीतियों में लैटिन हाइपरक्यूब नमूनाकरण और कम विसंगति अनुक्रम शामिल हैं।

बड़े पैमाने पर नमूना आकार के साथ समस्याएं

भौतिक प्रयोगों के विपरीत, कंप्यूटर प्रयोगों में हजारों विभिन्न इनपुट संयोजनों का होना आम बात है। क्योंकि मानक अनुमान के लिए नमूनों की संख्या के आकार के एक उलटा मैट्रिक्स के व्युत्क्रमणीय मैट्रिक्स की आवश्यकता होती है ($n$), पर लागत बढ़ती है ${\mathcal {O}}(n^{3})$. बड़े, सघन मैट्रिसेस का मैट्रिक्स उलटा भी संख्यात्मक अशुद्धि का कारण बन सकता है। वर्तमान में, यह समस्या लालची निर्णय वृक्ष तकनीकों द्वारा हल की गई है, असीमित आयाम और नमूना आकार पेटेंट WO2013055257A1 के लिए प्रभावी संगणना की अनुमति देता है, या सन्निकटन का उपयोग करके इससे बचा जाता है तरीके, उदा. [5]।

यह भी देखें

• अनुकरण
• अनिश्चितता मात्रा का ठहराव
• बायेसियन आँकड़े
• गाऊसी प्रक्रिया एमुलेटर
• प्रयोगों की रूप रेखा
• आणविक गतिकी
• मोंटे कार्लो विधि
• सरोगेट मॉडल
• ग्रे बॉक्स पूर्णता और सत्यापन

आगे की पढाई

• Santner, Thomas (2003). The Design and Analysis of Computer Experiments. Berlin: Springer. ISBN 0-387-95420-1.

• Fehr, Jörg; Heiland, Jan; Himpe, Christian; Saak, Jens (2016). "Best practices for replicability, reproducibility and reusability of computer-based experiments exemplified by model reduction software". AIMS Mathematics. 1 (3): 261–281. arXiv:1607.01191. doi:10.3934/Math.2016.3.261.