이 서베이는 복잡 시스템 시뮬레이션용 surrogate model과 Explainable AI(XAI)를 통합한 연구 지도를 제공한다. Surrogate 모델은 계산 비용을 줄이지만 블랙박스 성격을 물려받아 입력이 물리 반응을 어떻게 이끄는지 가려버린다. XAI는 이를 풀 도구를 주지만 공학 특유의 제약(상관관계 높은 입력, 동역학 시스템, 엄격한 신뢰성) 때문에 잘 안 맞는다. 저자들은 방정식 기반 및 에이전트 기반 모델링 사례를 들어 XAI 기법을 surrogate 워크플로 단계별로 매핑하고, 동역학 시스템 설명성·혼합 변수 처리 등 주요 과제와 연구 어젠다를 제시한다.
- •Surrogate modeling과 XAI를 연결하는 체계적 서베이·연구 지도
- •공학 문제의 특성(상관 입력·동역학·신뢰성) 때문에 일반 XAI가 안 맞는 원인 분석
- •방정식 기반·에이전트 기반 시뮬레이션 사례로 구체적 XAI 기법 매핑
- •동역학 시스템 설명·혼합 변수 처리 등 미해결 과제 제시
- •설계 탐색부터 의사결정까지 설명성을 임베드하는 연구 어젠다 제안
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Interpretable and Explainable Surrogate Modeling for Simulations: A State-of-the-Art Survey and Perspectives on Explainable AI for Decision-Making
- 1.공학·과학 분야 블랙박스 시뮬레이터에 XAI를 접목하는 체계적 서베이
- 2.기존 XAI가 공학 도메인에서 잘 안 맞는 구조적 이유 정리
- 3.연구 과제와 실무 어젠다를 함께 제시
왜 중요한가?
AI 기반 시뮬레이션이 과학·공학 전반으로 확산되는데 신뢰성·해석성이 병목. 이 논문은 surrogate + XAI 통합 청사진을 제공해 실무자가 accelerate 에서 insight extraction 으로 전환하는 길을 제시.
본문 미리보기
arXiv:2604.14240v1 Announce Type: new Abstract: The simulation of complex systems increasingly relies on sophisticated but fundamentally opaque computational black-box simulators. Surrogate models play a central role in reducing the computational cost of complex systems simulations across a wide range of scientific and engineering domains. Notwithstanding, they inevitably inherit and often exacerbate this black-box nature, obscuring how input variables drive physical responses. Conversely, Expl
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 22:30AI 초안
