Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations

Cet article propose une nouvelle métrique de sensibilité globale basée sur les courbes d'attente conditionnelle individuelle (ICE) pour améliorer l'interprétabilité des modèles d'apprentissage automatique en ingénierie, en surmontant les limites des graphiques de dépendance partielle (PDP) face aux interactions fortes entre variables.

L'essentiel

🚀 Le Titre : Comment comprendre les "boîtes noires" de l'ingénierie sans se perdre ?

Imaginez que vous êtes un ingénieur aéronautique. Vous devez concevoir un avion ou une éolienne. Pour cela, vous utilisez des super-ordinateurs qui simulent le comportement de l'objet. Ces simulations sont si complexes qu'elles ressemblent à des boîtes noires : vous mettez des paramètres dedans (la forme de l'aile, la vitesse du vent), et vous obtenez un résultat (la traînée, la fatigue), mais vous ne savez pas exactement comment la machine a fait le calcul.

Le but de cet article est de créer une loupe intelligente pour voir ce qui se passe à l'intérieur de cette boîte noire.

🧩 Le Problème : La photo floue (Les anciennes méthodes)

Jusqu'à présent, les ingénieurs utilisaient une méthode appelée PDP (Partial Dependence Plot).

• L'analogie : Imaginez que vous voulez savoir si le sel améliore le goût d'une soupe. La méthode PDP, c'est comme prendre 100 bols de soupe, ajouter une pincée de sel à chacun, goûter, et faire la moyenne de tous les goûts.
• Le souci : Si dans certains bols, le sel est bon, mais dans d'autres (à cause d'un autre ingrédient comme le poivre), le sel rend la soupe amère, la moyenne va dire : "Le sel n'a aucun effet, la note est neutre".
• En réalité : Le sel a un effet énorme, mais il est annulé par le poivre dans la moyenne. C'est ce qu'on appelle un effet d'interaction. La méthode PDP est comme une photo floue qui cache les détails importants.

💡 La Solution : La loupe individuelle (Les courbes ICE)

Les auteurs proposent une nouvelle méthode basée sur les ICE (Individual Conditional Expectations).

• L'analogie : Au lieu de faire la moyenne de tous les bols, on regarde chaque bol individuellement. On trace une courbe pour chaque bol.
  • Bol A : Le sel rend la soupe délicieuse.
  • Bol B : Le sel rend la soupe détestable.
• Le résultat : On voit clairement que le sel est important, mais que son effet dépend du contexte (du poivre). On ne perd plus l'information.

📏 Les Nouveaux Outils de Mesure

Les chercheurs ont créé deux nouveaux "règles" pour quantifier ce qu'ils voient avec cette loupe :

1. La "Force Moyenne" (µIice) : C'est la moyenne de l'importance de chaque bol individuel. Même si les effets s'annulent dans la moyenne globale, cette règle dit : "Attention, le sel est puissant, il change tout le temps le goût, même si la moyenne semble calme."
2. La "Variabilité" (σIice) : C'est la mesure de l'écart entre les bols. Si cette valeur est haute, cela signifie : "L'effet de ce paramètre change radicalement selon les autres ingrédients." C'est la preuve qu'il y a une interaction forte.

Ils ajoutent aussi un test de corrélation pour voir si la courbe individuelle suit la même direction que la moyenne. Si elles partent dans des directions opposées, c'est le signe d'une interaction complexe.

🛠️ Les Tests Réels (Les cas pratiques)

Pour prouver que leur méthode fonctionne, ils l'ont testée sur trois situations :

1. Une fonction mathématique simple : Un test de laboratoire pour voir si la méthode détecte les pièges où les anciennes méthodes échouent. Résultat : Gagné.
2. Une éolienne : Ils ont analysé comment la vitesse du vent, la direction et les vagues affectent la fatigue de la tour.
   • Découverte : La méthode a montré que la direction du vent et la hauteur des vagues interagissent fortement. Même si la moyenne semblait dire que c'était peu important, la nouvelle méthode a révélé que dans certaines conditions combinées, cela crée des tensions énormes.
3. Une aile d'avion (Profil aérodynamique) : Ils ont étudié la traînée (la résistance de l'air) en fonction de la forme de l'aile.
   • Découverte : Ils ont vu que certains paramètres de la surface inférieure de l'aile avaient des effets contradictoires selon l'angle d'attaque. La méthode PDP classique aurait dit "ce paramètre est inutile", mais la nouvelle méthode a dit "ce paramètre est crucial, mais son effet change selon l'angle".

🏆 Pourquoi c'est important pour tout le monde ?

Dans le monde de l'ingénierie (avions, voitures, éoliennes), on ne veut pas seulement savoir si un avion va voler, on veut savoir pourquoi et comment l'optimiser.

• Avant : On utilisait des moyennes qui pouvaient cacher des dangers ou des opportunités d'amélioration.
• Maintenant : Avec cette méthode, on voit les détails. On sait exactement quand un paramètre devient dangereux ou utile. C'est comme passer d'une carte routière floue à un GPS en 3D qui vous montre chaque virage et chaque obstacle.

En résumé

Cet article nous dit : "Ne vous fiez pas uniquement à la moyenne !"
Quand on conçoit des systèmes complexes, les ingrédients interagissent entre eux. La nouvelle méthode proposée permet de voir ces interactions cachées, offrant aux ingénieurs une vision plus claire, plus sûre et plus précise pour prendre les meilleures décisions de conception.

Résumé technique

Voici un résumé technique détaillé de l'article « Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations » en français.

1. Problématique et Contexte

Dans le domaine de la conception ingénierie, notamment aéronautique, les simulations haute fidélité sont essentielles mais coûteuses en temps de calcul. Les ingénieurs s'appuient donc sur des modèles de substitution (surrogates) pour explorer l'espace de conception et optimiser les performances. L'analyse de sensibilité globale (GSA) est cruciale pour identifier les variables d'entrée les plus influentes sur la grandeur d'intérêt (QoI).

Cependant, les méthodes d'analyse de sensibilité traditionnelles et les outils d'IA explicable (XAI) présentent des limites :

• Les indices de Sobol' (basés sur la décomposition de la variance) quantifient la contribution de chaque variable à la variance totale, mais ne révèlent pas la forme fonctionnelle de la relation entrée-sortie (non-linéarités locales, structures d'interaction complexes).
• Les Partial Dependence Plots (PDP) sont largement utilisés pour visualiser l'effet moyen d'une variable. Toutefois, lorsque des interactions fortes existent entre les variables, le processus de moyennage inhérent aux PDP peut masquer ces effets, conduisant à des courbes plates et à des conclusions erronées (annulation des effets positifs et négatifs).
• Les méthodes SHAP (Shapley Additive exPlanations), bien que robustes, peuvent être difficiles à interpréter pour les ingénieurs non familiers avec la théorie des jeux et peuvent cacher l'hétérogénéité des effets lors de l'agrégation globale.

L'objectif de cet article est de combler le fossé entre la richesse visuelle des courbes d'espérance conditionnelle individuelle (ICE) et les métriques quantitatives de sensibilité globale, afin de mieux capturer les effets d'interaction dans les modèles de substitution.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'analyse basé sur les Courbes d'Espérance Conditionnelle Individuelle (ICE) pour développer de nouvelles métriques de sensibilité globale.

A. Fondements Théoriques

• ICE vs PDP : Alors que le PDP représente la moyenne des prédictions du modèle sur toutes les autres variables, une courbe ICE représente la prédiction du modèle pour une instance spécifique de variables complémentaires ($x_C$) tandis que la variable d'intérêt ($x_j$) varie.
• Hypothèse : Les entrées sont supposées indépendantes (hypothèse raisonnable pour l'exploration de conception paramétrique).

B. Nouvelles Métriques de Sensibilité

Les auteurs introduisent trois métriques dérivées des courbes ICE :

1. Importance des caractéristiques basée sur ICE ($\mu_{Iice}$) :

   • Au lieu de calculer la variance de la courbe PDP (moyenne), on calcule d'abord l'importance (écart-type) de chaque courbe ICE individuellement, puis on moyenne ces valeurs.
   • Avantage : Cette approche évite l'annulation des effets hétérogènes. Si une variable a un effet fort mais variable selon le contexte, $\mu_{Iice}$ capturera cette importance, là où le PDP (et son indice $I_{pdp}$) pourrait indiquer une importance nulle.
   • Preuve théorique : Les auteurs démontrent mathématiquement (via des développements polynomiaux orthogonaux tronqués, comme le PCE) que $\mu_{Iice} \ge I_{pdp}$. L'indice PDP est donc une borne inférieure de la métrique ICE.

2. Dispersion de l'importance ($\sigma_{Iice}$) :

   • C'est l'écart-type des valeurs d'importance calculées sur toutes les courbes ICE.
   • Signification : Une valeur élevée de $\sigma_{Iice}$ indique une forte hétérogénéité dans l'effet de la variable selon les autres entrées, révélant ainsi la présence d'interactions fortes.

3. Valeur de corrélation ICE ($\sigma_{\rho}$) :

   • Mesure l'écart de corrélation (Pearson) entre chaque courbe ICE et la courbe PDP correspondante.
   • Signification : Elle quantifie comment les interactions modifient la relation entrée-sortie (changement de tendance, de pente ou de non-linéarité). Une valeur nulle signifie que l'effet est purement additif (pas d'interaction modifiant la tendance).

C. Workflow d'Analyse

1. Construction d'un modèle de substitution (ici, une Expansion de Chaos Polynomial - PCE) avec une précision suffisante ($R^2 > 0.95$).
2. Génération de courbes ICE pour chaque variable.
3. Calcul des métriques quantitatives ($\mu_{Iice}$, $\sigma_{Iice}$, $\sigma_{\rho}$).
4. Visualisation combinée (PDP, ICE, barres d'erreur pour $\sigma_{Iice}$) pour interpréter les résultats.

3. Résultats et Validation

La méthode a été évaluée sur trois cas d'étude :

1. Fonction analytique à 5 variables (Friedman) :

   • La méthode a correctement identifié l'interaction entre $x_1$ et $x_2$, là où le PDP sous-estimait l'importance de ces variables en raison de l'annulation des effets.
   • $\mu_{Iice}$ a donné des valeurs plus élevées et plus réalistes pour les variables interactives que $I_{pdp}$.

2. Problème de fatigue d'une éolienne (5 variables) :

   • Application sur un modèle de charge de vent (FAST).
   • Les résultats ont confirmé que la vitesse du vent ($V_{hub}$) est la variable la plus importante, mais ont révélé que les interactions affectent fortement l'angle de vent ($\theta_w$) et la hauteur des vagues ($H_s$), comme le montre la forte valeur de $\sigma_{Iice}$ pour ces variables.
   • Les visualisations ICE ont permis d'identifier des conditions spécifiques (combinaisons de paramètres) menant à des moments de flexion critiques.

3. Base de données aérodynamique d'un profil d'aile (9 variables) :

   • Analyse de la traînée ($C_d$) en fonction de paramètres CST (Class Shape Transformation) et de l'angle d'attaque.
   • Les métriques ICE ont mis en évidence que les paramètres de la surface supérieure dominent la génération de traînée.
   • Elles ont révélé des interactions complexes entre les paramètres de la surface inférieure (ex: $A_{l,1}$) et d'autres variables, où les courbes ICE présentaient des tendances alternées (positif/négatif) masquées par un PDP plat.

Comparaison avec d'autres méthodes :

• Vs PDP : ICE fournit des informations plus riches et évite les pièges du moyennage.
• Vs Sobol' : Les indices de Sobol' (total) et $\mu_{Iice}$ peuvent donner des classements différents. Sobol' mesure la contribution à la variance, tandis que $\mu_{Iice}$ caractérise le comportement de la réponse conditionnelle moyenne. Ils sont complémentaires.
• Vs SHAP : Les visualisations ICE/PDP sont souvent plus intuitives pour les ingénieurs que les graphiques de dépendance SHAP, qui peuvent être désordonnés dans les cas d'interactions complexes.

4. Contributions Clés

1. Nouvelles métriques de sensibilité : Introduction de $\mu_{Iice}$ et $\sigma_{Iice}$ pour quantifier l'importance et l'hétérogénéité des effets d'interaction, dépassant les limites des PDP.
2. Preuve mathématique : Démonstration que l'importance basée sur PDP est une borne inférieure de l'importance basée sur ICE pour une large classe de fonctions (y compris les modèles PCE).
3. Métrique de corrélation : Proposition de $\sigma_{\rho}$ pour détecter les changements de tendance (non-linéarités induites par les interactions).
4. Validation sur des problèmes réels : Application réussie sur des problèmes d'ingénierie aéronautique et éolienne, démontrant l'utilité pour la découverte de connaissances et la prise de décision de conception.

5. Signification et Limites

Signification :
Ce travail offre aux ingénieurs un outil puissant pour interpréter des modèles de substitution complexes ("boîtes noires"). En passant d'une simple mesure de variance (Sobol') ou d'un effet moyen (PDP) à une analyse de la dispersion conditionnelle (ICE), les ingénieurs peuvent mieux comprendre comment et quand les variables interagissent, ce qui est crucial pour l'optimisation robuste et la sécurité.

Limites :

• Variables corrélées : La méthode suppose l'indépendance des entrées. Elle n'est pas directement applicable aux variables corrélées sans adaptation.
• Identification des paires interactives : Bien que $\sigma_{Iice}$ indique la présence d'interactions, il ne spécifie pas avec quelles variables l'interaction se produit. Cela nécessite une analyse visuelle complémentaire (PDP 2D) ou des indices d'interaction Sobol' d'ordre supérieur.
• Coût computationnel : Le calcul nécessite l'évaluation du modèle sur une grille pour de nombreuses réalisations, ce qui est plus coûteux que les indices de Sobol' totaux standards, mais équivalent au calcul des PDP/ICE classiques.

En conclusion, l'article propose une approche hybride combinant visualisation intuitive et métriques quantitatives rigoureuses, transformant les courbes ICE d'outils purement graphiques en indicateurs de sensibilité exploitables pour l'ingénierie de conception.