Tasarım değişkenlerinin sayısı, bilgisayar destekli mühendislik (CAE) simülasyonlarının sonuçlarını tahmin eden bir makine öğrenimi modelini eğitmek için gereken veri miktarını tek başına belirlemez. Semiconductor Engineering tarafından 3 Eylül 2026’da yayımlanan yazıya göre en önemli etken, modelin öğrenmeye çalıştığı yanıtın niteliğidir: Sürekli ve düzgün yanıtları tahmin etmek, bir eşik aşıldığında değişen veya hızlı salınımlı sinyaller içeren sonuçları tahmin etmekten daha kolaydır.
Yazı, araç çarpışmalarına ilişkin dört çalışmaya dayanıyor. Bu tür iş akışlarında her tasarım deneyi, tam ve açık bir çarpışma simülasyonunun çalıştırılmasını temsil eder. Bu da yeni tasarımları saatler yerine saniyeler içinde değerlendirebilen bir modele ulaşmadan önce eğitim kümesi oluşturmayı en maliyetli aşama hâline getirir.
Değişkenlerin sayısı yeterli bir ölçüt değildir
İki çalışmanın karşılaştırılması, veri kümesinin boyutunun tasarım değişkenlerinin sayısıyla doğrudan orantılı olmadığını gösteriyor. Bir elektrikli aracın yan eşik yapısına ilişkin çalışma, 25 deneyden oluşan yolcu güvenliği çalışmasında gerekenden dört kat fazla deneye ihtiyaç duydu. Oysa ilk çalışma, iki plakanın kalınlıklarını ve bunlardan birinin konumunu içeren daha basit bir temsil kullanırken, yolcu çalışması emniyet sistemi içinde emniyet kemeri ile manken arasındaki sürtünme, kemer sensörünün zamanlaması ve kayma halkasının konumu gibi çeşitli değişkenleri değiştirdi.
Yazı ayrıca modelin boyutu veya yükleme durumunun şiddeti ile gereken deney sayısı arasında doğrudan bir ilişki bulmadı. Ayırt edici etken, aynı 100 deneyden oluşan kümeden ve aynı üç tasarım değişkeninden yararlanılarak eğitilen tahminleyiciler karşılaştırıldığında ortaya çıktı. Eşik yapısının kütlesinin tahmininde öngörü yeteneği skoru 0,98 olurken, hasar gören batarya hücrelerinin sayısının tahmininde bu skor 0,64 oldu.
Yanıtın niteliği öğrenmenin zorluğunu belirler
Bu farkın açıklaması fizik ile bağlantılıdır. Kütle, plakanın kalınlığından etkilenen, düzgün ve neredeyse monoton bir yanıttır. Buna karşılık hasar gören hücrelerin sayısı, iç kısa devreye yol açan belirli bir gerilme eşiğinin aşılmasından kaynaklanan tam sayı değeridir. Küçük bir geometrik değişiklik, bir hücreyi hasarsız durumdan hasarlı duruma geçirebilir veya geçirmeyebilir; bu da modelin çok sayıda ayrı sınırın konumunu öğrenmesini gerektirir.
Aynı örüntü, 60 deneyden oluşan önden çarpışma çalışmasında da tekrarlandı. Sonlu elemanlar (FE) analizine kıyasla içeri girme konumlarının tahmin hataları %0,9 ile %12,6 arasında değişirken, koltuk bağlantı noktalarındaki ivmelerin tahmin hataları %16,8’e ulaştı. Yazı bunu, içeri girmenin daha düzgün bir yer değiştirme olması; ivmenin ise yer değiştirmenin ikinci türevi olarak yüksek frekanslı bileşenler içermesiyle ilişkilendiriyor.
Zengin çıktılar her zaman daha fazla veri anlamına gelmez
Önden çarpışma çalışması, sezgiye aykırı görünebilecek başka bir sonuç sunuyor. Temel değer tahminleyicileri 60 deneyin tamamına ihtiyaç duyarken, iki boyutlu eğri ve üç boyutlu alan sonuçlarına ilişkin tahminleyiciler yalnızca 20 deneyle eğitildi. Bu alanlar, kalınlık boyunca üç entegrasyon noktasında ve her zaman adımında yer değiştirme ile plastik gerinimi içeriyor.
Yazının belirttiği olası açıklama, tek bir deneyin alan tahminleyicisine tek bir sayısal değerle çalışan tahminleyiciye kıyasla çok daha fazla eğitim verisi sağlamasıdır. Deney, ayak konumundaki maksimum içeri girme için tek bir sayı sunarken aynı zamanda model boyunca ve tüm zaman anlarında ilişkili bir uzamsal alan sağlar.
Deneylerin planlanmasında pratikte ne değişir?
Önerilen pratik kural, simülasyon kampanyasını çıktı biçimlerinin en karmaşık olanına göre değil, en az düzgün yanıta göre tasarlamaktır. Yazı, tüm çözüm bütçesini taahhüt etmeden önce bir pilot aşamayla başlamayı ve ilk verileri analiz etmeyi öneriyor.
- Her yanıtı hangi değişkenlerin yönlendirdiğini belirlemek için korelasyon matrisini ve saçılım grafiklerini incelemek.
- Tam bir tahminleyici eğitmeden önce yanıtın zorluğunu tahmin etmek üzere, doğrusal ve doğrusal olmayan ilişkileri 0 ile 1 arasında bir ölçekte izleyen öngörü yeteneği skorunu kullanmak.
- Veri kümesinin boyutunu doğrulukla ilişkilendiren öğrenme eğrisini okuyarak 20 deney daha eklemenin yararlı olup olmayacağını veya performansın kararlı hâle gelip gelmediğini belirlemek.
- Her tahmini hata sınırlarıyla birlikte değerlendirmek; tahmin bildirilen sınırların veya kendi güven aralığının dışına çıkarsa, bunu güvenilir bir yanıt olarak değil, yeni bir çözüm çalıştırılması gerektiğine dair bir işaret olarak ele almak.
- Zayıf etkili değişkenlere yapılan harcamayı azaltmak ve deneyleri etkili değişkenlere yönlendirmek için tasarım değişkenlerinin önem haritalarını kullanmak.
Yazı, 25 deneyden oluşan bir kampanya ile 100 deneyden oluşan başka bir kampanya arasındaki farkın, açık çözüm süresi ve takvim günü sayısında dört kat anlamına gelebileceğini açıklıyor. Buna karşılık veriyi gereğinden fazla azaltmak doğrulamanın başarısız olmasına ve yönteme duyulan güvenin kaybolmasına yol açarken, veri kümesini gereksiz ölçüde büyütmek öğrenme eğrisinin gereksiz olduğunu göstereceği deneylerin maliyetini üstlenmeye neden olur.
Uygulamalı bir örnekte tahminleyiciler, birkaç dakika içinde 500 yineleme boyunca benzetimli tavlama algoritmasıyla optimizasyona yön vermek üzere yanıt yüzeyi modelleri olarak kullanıldı; çarpışma ölçütlerinin tahmini, her yineleme için tam bir simülasyon çalıştırmak yerine saniyeler sürdü.
certi.news’in değerlendirmesi
Buradaki temel değer, makine öğrenimi modellerinin simülasyonu ortadan kaldıracağı vaadi değil; deney bütçesini dağıtmak için daha iyi bir ölçüt sunmalarıdır: Fiziksel hedefin zorluğu, girdilerin sayısından veya çıktının zenginliğinden daha önemlidir. Ancak aktarılan sonuçlar sponsorlu bir blog yazısından geliyor ve mevcut metin içinde tam yöntem ayrıntıları verilmeden belirli çalışmaları sunuyor. Bu nedenle veri kümesi boyutunu seçmeye ilişkin kurallar, bağımsız mühendislik doğrulamasının veya güven sınırlarının dışına çıkan durumların çözülmesinin yerine değil, deney ve doğrulama için bir başlangıç noktası olarak değerlendirilmelidir.