A Look into How Machine Learning is Reshaping Engineering Models: the Rise of Analysis Paralysis, Optimal yet Infeasible Solutions, and the Inevitable Rashomon Paradox
本文通过论证机器学习在不同逻辑形式下的集成如何导致三个关键悖论——分析瘫痪、不可行解以及罗生门效应，从而探讨了传统土木工程实践与机器学习之间的哲学张力，并据此主张在工程教育与方法论上进行根本性的认识论转变，以使这些新兴技术与既有原则相协调。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，土木工程一直依赖于一套虽不完美但值得信赖的工具来确保建筑物的稳固。几十年来，工程师们一直使用基于多年观察和测试得出的简单公式，来预测混凝土梁能承受多少重量，或钢柱在火灾中会如何反应。这些经验法则并非完美；它们往往忽略了材料实际行为中那些混乱且复杂的细节。然而，它们之所以被接受，是因为它们透明、易于核查，并且在几代人的时间里保障了人们的安全。如今，一种新型工具正进入这一领域：机器学习。这些计算机程序通过学习海量数据来发现人类可能忽略的模式。虽然这些程序可以极其准确地预测结果，但它们往往像一个“黑箱”一样工作，只给出答案，却无法解释其背后的“为什么”。这给该行业带来了张力。工程师受到的训练是理解支配其结构的物理定律，但现在他们被要求去信任那些可能并不使用同一种语言的系统。问题不再仅仅是这些计算机能否进行更好的预测，而是它们能否在不丧失定义人造环境安全性的那种人类直觉和物理理解的前提下进行预测。
在最近的一篇论文中，M.Z. Naser 探讨了这一变化的图景，研究了机器学习如何重塑工程师对设计与安全的思考方式。作者并非仅仅赞美这些新工具的力量；相反，该论文调查了工程师在过度依赖数据驱动模型而缺乏物理现实基础时可能会陷入的三个特定陷阱或悖论。第一个陷阱被称为“分析瘫痪”。这种情况发生在计算机模型对结果的预测变得如此精确，以至于实际上让工程师对自己对物理学的理解感到更加缺乏信心时。例如，论文展示了一个机器学习模型预测混凝土强度的能力如何远超传统公式。然而，计算机生成的这个新公式非常复杂且看起来很奇怪，它无法为混凝土内部发生的实际化学和物理过程提供任何见解。工程师得到了一个更好的数值，却失去了解释为什么这个数值是正确的原因的能力。
第二个悖论涉及寻找在数学上完美但在物理上无法建造的解决方案。作者通过要求计算机设计一个使用最少材料且具有耐火性能的柱子来证明这一点。计算机仅专注于数字，建议了一种具有非常特定直径的设计，而这种直径在现实世界中并不是标准尺寸。虽然该设计满足了所有的理论安全要求并减少了混凝土的使用量，但它对施工队伍来说是毫无用处的，因为他们买不到那个精确尺寸的管材。这突显了纯数据驱动优化的一个关键缺陷：如果没有关于实际可用性和可建造性的严格规则，计算机就会创造出仅存在于屏幕上的解决方案。
第三个或许是最令人困惑的悖论被称为“罗生门效应”，该名称源于一部不同证人在同一事件中讲述冲突故事的电影。在这种语境下，论文表明，用于解释机器学习模型如何做出决策的两种不同方法可能会给出完全相反的答案。一种方法可能会说增加钢材强度会使柱子更安全，而另一种方法在观察相同数据时，可能会暗示更强的钢材反而会让柱子变得不那么安全。两种方法在数学上都是有效的，但它们彼此矛盾，有时甚至违背基本的物理定律。这造成了一种危险的情况，即即使模型的预测看起来是正确的，工程师也无法信任模型的解释。
为了应对这些危险，论文认为工程学的未来在于一种混合方法。作者建议，机器学习不应取代工程师的直觉或基本的物理定律，而应与之协同工作。这意味着利用计算机处理繁重的数据分析工作，同时确保结果经过已知物理原则和实际施工限制的检验。论文总结道，要使机器学习成为工程工具箱中值得信赖的一部分，该行业必须进化。工程师需要学习如何解读这些复杂的模型，而模型本身也需要被设计成尊重物理世界的规则。目标不是在人类判断与人工智能之间进行选择，而是寻找一种让两者共同工作的方法，从而确保未来的建筑不仅被预测为是安全的，而且是能够被理解并充满信心地建造出来的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。