Ein Verfahren zur Berechnung von Gradienten oder Sensitivitäten skalarer Ausgaben (oder Funktionale) bezüglich Eingaben, Parametern oder Anfangs-/Randdaten durch Lösung einer zugehörigen adjungierten Gleichung, die rückwärts in der Zeit läuft oder die Transponierte linearisierten Operatoren nutzt.

Prinzip

Nutze Linearität (oder linearisierte Näherungen) und Dualität, um Ableitungen aus vielen Eingangsrichtungen in eine einzige adjungierte Lösung zu übertragen, sodass die Kosten der Sensitivitätsberechnung annähernd unabhängig von der Zahl der Eingänge sind, wenn die Ausgaben wenige sind.

Demonstration

Berechnung des Gradienten eines Widerstandskoeffizienten bezüglich Tausender diskretisierter Randformparameter durch Lösung einer einzigen adjungierten PDE, die dem Widerstandsfunktional zugeordnet ist, anstatt Finite-Differenzen für jeden Parameter zu berechnen.

Fehlanwendung

Anwenden der Adjoint-Methode ohne korrekte Linearisierung eines stark nichtlinearen Solvers oder Ignorieren der Zustandsabhängigkeit von Randbedingungen, was zu falschen Sensitivitäten und irreführender Optimierung führt.

Konsequenz

Bei korrekter Anwendung liefert die Methode sehr effiziente und genaue Gradienten für Designoptimierung, Regelung und Parameterschätzung und ermöglicht großskalige inverse oder optimale Regelungsprobleme, die mit naiven Methoden unpraktisch wären.

Umkehrung

Der direkte Sensitivitätsansatz berechnet Ableitungen durch einzelne Perturbation jeder Eingangsgröße (vorwärts oder Finite-Differenzen) und verursacht Kosten proportional zur Zahl der Eingänge.

Abgrenzung

Gilt, wenn adjungierte Gleichungen existieren und ableitbar sind (Differenzierbarkeitsbedingungen erfüllt); Einschränkungen bestehen bei nichtdifferenzierbaren Modellen, stochastischen Systemen ohne wegweise Adjunkte oder wenn Speicher für Reverse-Time-State-Replay prohibitiv ist, es sei denn Checkpointing wird eingesetzt.

Semantische Spannung

Steht im Konkurrenzverhältnis zu Automatic Differentiation und Ensemble-Methoden: Adjoint-Methoden sind analytisch oder diskret hergeleitet und effizient bei wenigen Ausgaben, während AD die Derivatenerzeugung automatisiert und Ensembles nichtlineare, nichtlokale Effekte zu höherem Aufwand erfassen.

Synthese

Die Adjungiertenmethode ist die duale Berechnung, die viele Richtungsableitungen in eine rückwärts gerichtete Lösung bündelt und skalierbare Sensitivitätsinformationen liefert, wenn Ausgaben limitiert sind und das Modell eine geeignete adjungierte Formulierung zulässt.