Die Konstruktion einer rechnerisch günstigen Approximation (Surrogat oder Emulatior) eines teuren oder Black-Box-Modells, die das Ein-/Ausgangsverhalten für Aufgaben wie Optimierung, Unsicherheitsquantifizierung oder Sensitivitätsanalyse nachbildet.

Prinzip

Einen Approximator (Gaussian Process, polynomiale Antwortfläche, neuronales Netz, Radialbasis) an eine begrenzte Anzahl von Läufen des teuren Modells anpassen, Surrogatfehler oder epistemische Unsicherheit quantifizieren und das Surrogat dort einsetzen, wo die Genauigkeit genügt, um aufgabenspezifische Fehlertoleranzen einzuhalten.

Demonstration

Ein Gaussian-Process-Emulator auf Basis von 200 Finite-Elemente-Simulationen eines Strukturmodells trainieren, um Durchbiegungsfelder vorherzusagen; den Emulator in einer bayesianischen Kalibrierschleife und in einem globalen Optimierer einsetzen, um Entwurfsminima um Größenordnungen schneller zu finden als mit dem vollständigen Solver.

Fehlanwendung

Ein Surrogat einsetzen, ohne die prädiktive Fehlergröße in den für Entscheidungen verwendeten Regionen zu validieren, oder Interpolationsbasierte Surrogate weit außerhalb des Trainingsbereichs verwenden, was zu übermäßig selbstsicheren und falschen Vorhersagen führt.

Konsequenz

Bei Validierung und Unsicherheitsquantifizierung reduzieren Surrogate die Rechenzeit für Optimierung, Sensitivitätsuntersuchungen und probabilistische Analysen drastisch und ermöglichen so den Einsatz teurer Modelle in iterativen Workflows.

Umkehrung

Das originale hochgenaue Modell für jede Auswertung direkt verwenden (kein Surrogat) sichert physikalische Treue, ist aber rechnerisch möglicherweise nicht praktikabel; umgekehrt das Surrogat als exakt zu behandeln kehrt den vorgedachten, approximationsbewussten Workflow um.

Abgrenzung

Gilt zur Approximation von Ein-/Ausgangsabbildungen; schließt Methoden aus, die reduzierte Modelle erzeugen, die den internen Zustand oder die Physik bewahren, sofern sie nicht explizit dafür konstruiert wurden; die Gültigkeit des Surrogats ist auf den gesampelten Eingabebereich und die Annahmen des Approximators beschränkt.

Semantische Spannung

Eng verwandt mit Modellreduktion und Emulation: Surrogatmodellierung fokussiert das Reproduzieren von Ausgaben und Unsicherheit für gegebene Eingaben, während Modellreduktion oft interne Dynamik oder die herrschenden Gleichungen bewahren will; die Begriffe werden teils synonym gebraucht, implizieren aber unterschiedliche Zusicherungen.

Synthese

Surrogatmodellierung baut statistisch informierte Approximationen teurer Modelle auf, indem flexible Funktionen an Simulationsdaten angepasst werden und Fehler explizit quantifiziert und validiert werden, sodass Optimierung, Inferenz und UQ beschleunigt werden können, unter Anerkennung von Domänen- und Fidelity-Grenzen.