Обзор и сравнительный анализ библиотек суррогатного моделирования

Основной задачей компьютерного моделирования является прогнозирование поведения различных физических систем путём решения соответствующих математических уравнений. Решение таких уравнений зачастую требует сложных, дорогостоящих исследований или вычислений и длительного времени моделирования системы. Поэтому, для некоторых задач, возможно заменить точную, но вычислительно сложную, физическую модель на быстро вычисляемую суррогатную модель. Суррогатное моделирование - один из видов компьютерного моделирования, основная идея которого состоит в аппроксимации результата моделирования, с точностью необходимой для дальнейшего использования. Проведение таких исследований позволяет сэкономить время и вычислительные мощности благодаря построению статистической модели, которая может быть обучена и заменить исходное компьютерное моделирование для анализа системы. В данной работе проводится обзор и сравнительный анализ библиотек SMT (Surrogate Modeling Toolbox) для Python и Surrogates.jl для Julia, реализованных для работы с суррогатными моделями. Целью данной работы является изучение программных средств для суррогатного моделирования и реализация простейшего примера суррогатной модели - восстановление функции по нескольким точкам. С использованием сервиса для интерактивных вычислений Jupyter Notebook и специальных библиотек суррогатного моделирования для языков Python и Julia, были реализованы различные суррогаты, и описаны возможности пакетов.

Review and comparative analysis of surrogate modeling libraries

The main task of computer modeling is to predict the behavior of various physical systems by solving the corresponding mathematical equations. Solving such equations often requires complex, expensive research or calculations, and a long time to model the system. Therefore, for some tasks, it is possible to replace an accurate, but computationally complex, physical model with a fast-computing surrogate model. Surrogate modeling is a type of computer simulation, the main idea of which is to approximate the result of the simulation, with the accuracy necessary for further use. Conducting such studies saves time and computing power by building a statistical model that can be trained and replace the original computer simulation for analyzing the system. This paper provides an overview and comparative analysis of the SMT (Surrogate Modeling Toolbox) libraries for Python and Surrogates.jl for Julia, implemented for working with surrogate models. The purpose of this work is to study software tools for surrogate modeling and implement the simplest example of a surrogate model-restoring a function over several points. Using the Jupyter Notebook interactive computing service and special surrogate modeling libraries for Python and Julia, various surrogates were implemented, and the package features were described.