面向工程设计的可解释人工智能：以节能建筑设计为例的系统工程与基于组件的深度学习统一方法

由机器学习创建的数据驱动模型在设计与工程的所有领域中日益重要。它们具有极高潜力，可协助决策者在创造具有更优性能与可持续性的新颖制品方面发挥作用。然而，这些模型有限的泛化能力及黑箱特性导致了可解释性与可复用性的局限。为克服此状况，我们提出一种基于组件的方法，通过机器学习（ML）创建局部组件模型。该基于组件的方法将深度学习与系统工程（SE）相对齐。基于组件方法的关键贡献在于，组件间接口处的激活值是可解释的工程量。以此方式，该分层组件系统构成了一种深度神经网络（DNN），其先验地集成了用于工程可解释性的信息。该方法使模型结构适应系统工程方法及领域知识。我们通过节能建筑设计领域检验该方法性能：首先，通过分析训练数据之外的预测精度，我们观察到基于组件的方法具有更好的泛化能力。尤其对于结构上具有代表性的不同设计，我们观察到其精度（R2 = 0.94）远高于传统整体式方法（R2 = 0.71）。其次，我们通过示例说明可解释性，展示来自SE的灵敏度信息与来自低深度决策树的规则如何服务于工程。第三，我们通过定性与定量方法评估可解释性，展示了初步知识与数据驱动推导策略的匹配，并表明组件接口的激活值相较于白箱仿真结果的正确性（围护组件：R2 = 0.92..0.99；区域：R2 = 0.78..0.93）。