prediksi penyaringan dan eksperimen komputer

Berikut adalah artikel bahasa Inggris bergaya akademis dengan topik *Screening, Memprediksi, dan Eksperimen Komputer*:

---

# Penyaringan, Memprediksi, dan Eksperimen Komputer: Kemajuan dalam Pemodelan Komputasi

## Abstrak
Eksperimen komputer telah menjadi alat yang sangat diperlukan untuk penemuan ilmiah dan optimalisasi industri. Makalah ini mengulas metodologi utama dalam menyaring faktor-faktor yang berpengaruh, membangun model prediktif, dan merancang eksperimen komputer yang efisien. Kami membahas emulasi proses Gaussian, teknik analisis sensitivitas, dan strategi desain sekuensial yang menjembatani simulasi dengan aplikasi dunia nyata.

## 1. Perkenalan
Dengan pertumbuhan kekuatan komputasi yang eksponensial, simulasi skala besar kini melengkapi—dan terkadang menggantikan—eksperimen fisik di berbagai bidang mulai dari teknik ruang angkasa hingga penemuan obat. Namun, model komputasi yang kompleks seringkali memerlukan pendekatan statistik yang canggih untuk melakukannya:
1) *Layar* variabel masukan penting dari ruang parameter dimensi tinggi;
2) *Memprediksi* perilaku sistem menggunakan simulasi terbatas;
3) *Optimalkan* desain eksperimental untuk model yang mahal secara komputasi.

## 2. Teknik Penyaringan
2.1 Analisis Sensitivitas
Metode sensitivitas global seperti indeks Sobol [1] mengukur bagaimana variabilitas masukan mempengaruhi ketidakpastian keluaran. Efek dasar (metode morris) memberikan penyaringan yang efisien secara komputasi untuk model dengan >100 Parameter [2].

2.2 Seleksi Variabel
Regresi yang diatur (LASO) dan algoritma berbasis pohon (Hutan Acak) secara otomatis mengidentifikasi faktor-faktor yang tidak berpengaruh dalam masalah berdimensi tinggi [3].

## 3. Pemodelan Prediktif melalui Emulasi
Proses Gaussian (dokter umum) regresi telah muncul sebagai standar emas untuk pemodelan pengganti:

$$F(\matematika{X}) \sim \mathcal{dokter umum}\besar(M(\matematika{X}), k(\matematika{X}, \matematika{X}')\besar)$$

di mana $k(\cdot,\cdot)$ mengatur korelasi spasial antara titik desain [4]. Kemajuan terkini meliputi:
- Pembelajaran kernel mendalam untuk proses non-stasioner
- Pemodelan multi-fidelitas menggabungkan simulasi murah/akurasi rendah dan mahal/fidelitas tinggi

## 4. Strategi Desain Eksperimental
4.1 Desain Pengisian Ruang
Pengambilan Sampel Hypercube Latin (kiri) dan urutan Sobol memastikan cakupan ruang masukan yang seragam [5].

4.2 Pengambilan Sampel Adaptif
Peningkatan yang Diharapkan (TIDAK) kriteria menyeimbangkan eksplorasi vs eksploitasi dalam desain berurutan [6]:

$$\teks{TIDAK}(\matematika{X}) = \mathbb{E}\besar[\Maks(F_{\menit} - Y(\matematika{X}), 0)\besar]$$

## 5. Studi Kasus
Aerodinamika: Emulator GP mengurangi biaya simulasi CFD sebesar 92