Ein systematisches Verfahren, das ein hochaufgelöstes oder mikroskopisches Modell auf ein effektives Modell niedrigerer Auflösung abbildet, durch Mittelung, Filterung oder Eliminierung feinräumiger Freiheitsgrade, wobei das relevante makroskopische Verhalten erhalten werden soll.

Prinzip

Coarse-Graining ersetzt detaillierte Mikroskalenbeschreibungen durch effektive Variablen oder Gleichungen, die die wesentlichen großskaligen Statistiken oder Observablen erfassen; es organisiert Informationen durch Skalentrennung und Projektion auf einen reduzierten Freiheitsgradraum.

Demonstration

Ableitung einer kontinuierlichen konstitutiven Beziehung aus der Molekulardynamik durch räumliche Mittelung von Partikelmomenten und -kräften zur Bestimmung von Spannungs- und Deformationsraterfeldern; oder Konstruktion von Subgrid-Modellen für Large-Eddy-Simulationen mittels Filterung der Navier–Stokes-Felder und Modellierung der Subgrid-Spannung.

Fehlanwendung

Nichtlineare Operatoren zu mitteln, ohne Abschlussbegriffe oder Korrelationen zu berücksichtigen, was zu Modellen führt, die Erhaltungsgesetze verletzen oder kritische Rückkopplungen vermissen; oder Coarse-Graining anzuwenden, wo die Mikroskalenstruktur das makroskopische Verhalten bestimmt.

Konsequenz

Gutes Coarse-Graining reduziert die Rechenkosten und liefert handhabbare effektive Modelle für großskalige Vorhersagen, Parameterschätzung und Analyse, führt jedoch zu Modellfehlern und erfordert Abschlussmodelle oder Parametrisierungen für eliminierte Freiheitsgrade.

Umkehrung

Das Gegenstück ist Downscaling oder Feinkörnigkeit, die versucht, Mikroskaleninformation aus groben Beschreibungen wiederherzustellen; die Umkehr betont den verlorenen Detailgrad und die Irreversibilität ohne zusätzliche Annahmen oder Daten.

Abgrenzung

Gilt für deterministische und stochastische Modelle, bei denen eine klare Skalentrennung oder Ensemblemittelung sinnvoll ist; schließt irreversible Informationsverluste aus, wenn Mikroskalenwechselwirkungen nichtlokal, stark korreliert oder wesentlich für makroskopische Gesetze sind.

Semantische Spannung

Überlappt mit Homogenisierung, Modellreduktion und Renormierungsgruppenbegriffen, unterscheidet sich jedoch im Schwerpunkt: Coarse-Graining ist eine praktische Abbildung für reduzierte Repräsentationen und kann empirisch sein, während Renormierung Skalen-Transformationen formalisiert und Homogenisierung sich auf periodische oder statistisch uniforme Mikrostrukturen konzentriert.

Synthese

Coarse-Graining ist die Konstruktion eines effektiven Modells niedrigerer Auflösung durch Mittelung oder Projektion feinräumiger Freiheitsgrade zur Erfassung großskaligen Verhaltens; es tauscht Detail gegen Effizienz und erfordert prinzipielle Abschlüsse, um prädiktiv zu bleiben.