Reducing the computational cost of automatic calibration through model preemption
Notice bibliographique
Résumé
Computational budget is frequently a limiting factor in both uncertainty‐based (e.g., through generalized likelihood uncertainty estimation (GLUE)) and optimization‐based (e.g., through least squares minimization) calibration of computationally intensive environmental simulation models. This study introduces and formalizes the concept of simulation model preemption during automatic calibration. The proposed “model preemption” method terminates a simulation model early to save computational budget if it is recognized through intermediate simulation model results that a given solution (model parameter set) is so poor that it will not benefit the search strategy. The methodology proposed here is referred to as deterministic model preemption because it leads to exactly the same calibration result as when deterministic preemption is not applied. As such, deterministic preemption–enabled calibration algorithms which make no approximations to the mathematical simulation model are a simple alternative to the increasingly common and more complex approach of metamodeling for computationally constrained model calibration. Despite its simplicity, the deterministic model preemption concept is a promising concept that has yet to be formalized in the environmental simulation model automatic calibration literature. The model preemption concept can be applied to a subset of uncertainty‐based and optimization‐based automatic calibration strategies using a variety of different objective functions. Results across multiple calibration case studies demonstrate actual preemption computational savings ranging from 14% to 49%, 34% to 59%, and 52% to 96% for the dynamically dimensioned search, particle swarm optimization, and GLUE automatic calibration methods, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».