Reading Time: 13 minutes

Die Multi-Fidelity-Surrogat-Modellierung ist ein Framework, das billige, schnelle Simulationen mit teurer und hilfsbereiter Grundwahrheit kombiniert, um eine hohe Genauigkeit bei deutlich niedrigeren Rechenkosten zu erreichen. Anstatt teure High-Fidelity-Simulationen für jeden Entwurfspunkt durchzuführen, verwenden die Praktiker Low-Fidelity-Modelle, um eine Basislinie zu etablieren und maschinelles Lernen anzuwenden, um die Lücke in Richtung Genauigkeit mit hoher Wiedergabetreue zu schließen.

Dieser Ansatz ist wichtig, da viele technische Probleme – aerodynamische Formoptimierung, Verbundmaterialdesign, geologische Kohlenstoffspeicherung – Tausende von Simulationsläufen erfordern. Es ist unpraktisch, jedes mit einem vollständigen High-Fidelity-Modell zu betreiben. Multi-Fidelity-Surrogate bieten einen Weg zu genauen Vorhersagen und reduzieren gleichzeitig den Rechenaufwand um Größenordnungen.

Die Kernidee ist einfach: Verwenden Sie billige Simulationen, kalibrieren Sie sie mit den teuren Daten, die Sie sich leisten können, und lassen Sie maschinelles Lernen die Diskrepanz zwischen ihnen lernen. Die Implementierungslandschaft ist reichhaltig – Co-Kriging (Bayesian Gaußsche Prozessfusion), neuronale Operatoren (FNO, Deeponet, WNO), Ersatzmodellierung mit reduzierter Ordnung und hybride ML-Korrekturnetzwerke bieten alle deutliche Kompromisse.

Bildvorschlag: Ein Fidelity-Hierarchie-Diagramm mit Lofi (Grobgitter, vereinfachte Physik) → HiFi (Feingitter, Vollphysik) → MF-Korrektur (ML-Schicht überbrückt die Lücke). Dieses Diagramm veranschaulicht das Kernkonzept.

Schlüssel zum Mitnehmen

  • Multi-Fidelity-Surrogat-Modelle kombinieren billige Low-Fidelity-Simulationen mit teuren High-Fidelity-Daten, um Genauigkeit bei niedrigeren Kosten zu erzielen, indem maschinelles Lernen verwendet wird, um die Diskrepanz zwischen den Wiedergabestufen zu erlernen.
  • Transfer Learning ist derzeit die robusteste Multi-Fidelity-Neural-Operator-Strategie in allen Testfällen und übertrifft konsequent die Architekturen des gemeinsamen Trainings, wenn die geringe Genauigkeit bis zur High-Fidelity-Diskrepanz groß ist.
  • Multi-Fidelity Kriging (Co-Kriging) hat überraschend enge Anwendbarkeitsbedingungen – Korrelation muss R² > 0,9 und das Verhältnis von Billig-Gesamtbudget müssen zwischen 0,1 und 0,8 liegen. Viele Praktizierende versuchen Co-Kriggen, ohne diese Grenzen zu erfüllen.
  • Das Python-Ökosystem für die Multi-Fidelity-Modellierung ist fragmentiert, aber reife – keine einzige Bibliothek deckt die gesamte Landschaft ab, und die Praktiker müssen mehrere Werkzeuge kombinieren.
  • Die härtesten Probleme mit der Multi-Fidelität sind Unterschiede in der Gleichung (RANs vs. LES) als einfache Gittervergärung, und direkte Strategien zur Integration mit geringer Genauigkeit können sich verschlechtern, wenn die Abweichungen groß sind.

Was Multi-Fidelity bedeutet

Ein Multi-Fidelity-Surrogatmodell ist ein statistisches oder maschinelles Lernen, das Daten aus mehreren Quellen unterschiedlicher Genauigkeit verwendet, um das Systemverhalten vorherzusagen. Der Begriff „Fidelity“ bezieht sich auf die Genauigkeit der Simulation – High-Fidelity-Modelle (volle Navier-Stokes, feine Maschen, komplexe Physik) sind teuer, aber genau, während Low-Fidelity-Modelle (Vereinfachte Physik, Grobmaschen, Modelle mit reduzierter Ordnung) sind Günstig aber weniger genau.

Der Multi-Fidelity-Ansatz nutzt die Tatsache, dass billigere Simulationen häufig mit teuren korrelieren. Selbst ein qualitativ korrektes Low-Fidelity-Modell kann als leistungsfähiger Vorgänger für teure Daten mit hoher Wiedergabetreue dienen und die Probeneffizienz im Vergleich zu Single-Fidelity-Ansätzen drastisch verbessern.

Konkrete Beispiele

CFD-Optimierung in der Luft- und Raumfahrt: Das Entwerfen einer Tragflächenform erfordert Hunderte von Simulationsläufen. Das Ausführen jedes einzelnen mit einem vollständigen Navier-Stokes-Solver in einem feinen Gitter kann Minuten oder Stunden pro Lauf dauern. Das Ausführen derselben Simulation mit einem Potential-Flow-Modell (Low-Fidelity) dauert Sekunden. Ein Multi-Fidelity-Surrogat lernt die Diskrepanz zwischen potenzieller Strömung und Navier-Stokes-Genauigkeit und prognostiziert dann High-Fidelity-Ergebnisse unter Verwendung von meist billigen Simulationen mit einigen teuren Validierungspunkten.

Modellierung von Verbundwerkstoffen: Die Vorhersage der mechanischen Eigenschaften eines Verbundlaminats unter verschiedenen Belastungsbedingungen erfordert die Bewertung von Spannungsfeldern in mehreren Maßstäben. Eine vollständige 3D-Finite-Elemente-Analyse auf Ply-Ebene ist teuer. Ein schichtweises Theoriemodell (Low-Fidelity) läuft viel schneller. Die Multi-Fidelity-Surrogat-Modellierung lernt die Beziehung zwischen den beiden und ermöglicht eine schnelle Eigenschaftsvorhersage für die Exploration des Designs.

Geologische Kohlenstoffspeicherung : Die Vorhersage der CO₂-Wolffahnenmigration über Jahrzehnte erfordert das Lösen von mehrphasigen Strömungsgleichungen. Feinrastersimulationen mit vollständiger thermodynamischer Kopplung sind für die Unsicherheitsquantifizierung unerschwinglich teuer. Multi-Fidelity-Ansätze kombinieren Grobnetz-Simulationen (billig) mit ausgewählten Feinrasterläufen (teuer), um genaue Surrogate für die Risikobewertung zu erstellen.

Diese Beispiele teilen ein gemeinsames Muster: Viele billige Simulationen sind verfügbar, einige teure sind machbar und die billigen Modelle korrelieren mit den teuren. Der Multi-Fidelity-Surrogate nutzt diese Struktur aus.

Wenn Multi-Fidelity es wert ist

Die Multi-Fidelity-Modellierung erhöht die Komplexität – Sie müssen Daten aus mehreren Quellen sammeln, Korrelationen zwischen den Wiedergabestufen abschätzen und anspruchsvollere Algorithmen verwenden. Es ist nicht immer die richtige Wahl.

Bedingungen von Toal

Die durch Toal (2015) , bei denen Multi-Fidelity-Kriging tatsächlich die Genauigkeit im Vergleich zu Single-Fidelity-Ansätzen verbessert: Diese Bedingungen sind überraschend eng und werden in der Praxis oft übersehen:

  1. Korrelationsschwellenwert: Die Korrelation zwischen den Genauigkeitsstufen muss R² > 0,9. Wenn das Low-Fidelity-Modell Ergebnisse liefert, die nur schwach mit der Wahrheit über die High-Fidelity-Grunde korrelieren, kann der Multi-Fidelity-Ansatz die Vorhersagen durch die Einführung widersprüchlicher Informationen tatsächlich verschlechtern.
  2. Budgetfraktion: Der Bruchteil des Gesamtsimulationsbudgets, das billigen Simulationen zugewiesen wird, sollte zwischen 0,1 und 0,8 liegen. Wenn Sie zu viel Budget für billige Simulationen und zu wenig für teure Ausgaben ausgeben, kann das Korrekturmodell nicht richtig kalibriert werden. Wenn Sie zu wenig für billige Simulationen ausgeben, können Sie die Basislinie nicht genau festlegen.
  3. Konservatives Stichprobenverhältnis: Die Anzahl der billigen Proben sollte das 1,75-fache (1 + 1 / cr) überschreiten, wobei CR das Korrelationsverhältnis zwischen den Fidelitätsniveaus ist. Dies gewährleistet ausreichend Daten, um die Diskrepanzfunktion zuverlässig zu erlernen.

Wenn diese Bedingungen erfüllt sind, bietet Multi-Fidelity-Kriging eine Genauigkeit, die mit Einzel-Fidelity-Modellen vergleichbar ist, für die viel teurere Proben erforderlich wären. Wenn sie nicht erfüllt werden, sollten die Praktizierenden überlegen, ob eine Multi-Fidelity-Modellierung angemessen ist.

Kosten-Nutzen-Analyse

Über die Bedingungen von Toal hinaus erfordert die praktische Akzeptanz von Multi-Fidelity die Bewertung Ihrer spezifischen Einschränkungen:

  • Simulationskostenverhältnis: Wie viel billiger ist das Low-Fidelity-Modell? Wenn das Kostenverhältnis weniger als 10:1 ist (billige Simulation ist weniger als 10% der teuren Simulationskosten), wird die Multi-Fidelity-Modellierung für Probleme attraktiv, die Tausende von Läufen erfordern.
  • Verfügbare Daten: Haben Sie bereits ältere Simulationsdaten mit geringer Wiedergabetreue? Die Multi-Fidelity-Modellierung ist besonders attraktiv, wenn billige historische Daten vorhanden sind, aber keine High-Fidelity-Daten gesammelt wurden.
  • Genauigkeitsanforderungen: Wie viel Genauigkeit benötigen Sie für Ihre Anwendung? Für die explorative Design-Raum-Analyse kann eine mäßige Genauigkeit ausreichen. Für die endgültige Konstruktionsvalidierung benötigen Sie Hi-Fi-Genauigkeit.
  • Rechenbudget: Können Sie sich Hunderte teurer Simulationen leisten? Wenn ja, können Single-Fidelity-Ansätze praktisch sein. Wenn nein, ist Multi-Fidelity wahrscheinlich notwendig.

Der folgende Entscheidungsrahmen fasst diese Kompromisse zusammen:

Bildvorschlag: Eine Kompromisskurve für die Kostengenauigkeit, die zeigt, dass MF-Kriging eine hohe Genauigkeit bei niedrigeren Kosten im Vergleich zu nur HIFI-Wert zeigt, wobei die Toal-Bedingungen annotiert sind. Dieses Diagramm veranschaulicht die Beziehung zwischen Kosten und Genauigkeit.

Wenn Single-Fidelity ausreichend sein kann

Single-Fidelity-Surrogat-Modellierung (beschrieben in unserem Leitfaden zu Maschinen-Lernsurrogate für wissenschaftliche Simulationen) ist vorzuziehen, wenn:

  • Die Low-Fidelity- und High-Fidelity-Modelle haben R² < 0.9 Korrelation — In diesem Fall führt die Multi-Fidelity-Korrektur eher Rauschen als Signal
  • Das billige Modell ist nur geringfügig schneller (Kostenverhältnis < 10:1) — Der Overhead der Multi-Fidelity-Modellierung rechtfertigt möglicherweise nicht die Einsparungen
  • Sie verfügen über ein ausreichendes Budget für genügend High-Fidelity-Proben – wenn Sie sich Hunderte teurer Läufe leisten können, sind Single-Fidelity-Ansätze mit adaptiver Probenahme möglicherweise praktischer
  • Ihr Problem hat nur eine Genauigkeitsstufe verfügbar – manchmal existieren Legacy-Simulationen nur auf einer Genauigkeitsstufe

Kernmethoden

Die Multi-Fidelity-Surrogat-Modellierungslandschaft erstreckt sich über mehrere unterschiedliche methodische Familien. Jeder hat unterschiedliche Annahmen, Stärken und Schwächen.

1. Co-Kriging (Multi-Fidelity Gaußsche Prozesse)

Co-Kriging ist die etablierteste Multi-Fidelity-Methode, die in der autoregressiven Formulierung von Kennedy und O’Hagan (2000) verwurzelt ist. Die Schlüsselidee ist, dass der High-Fidelity-Prozess als lineare Skalierung des Low-Fidelity-Prozesses plus einem Diskrepanzbegriff modelliert wird:

y_hf(x) = τ × y_lf(x) + δ(x) + ε

Wenn τ die Low-Fidelity-Vorhersage skaliert, ist δ(x) eine Gaußsche Prozessdiskrepanz und ε Rauschen. Die autoregressive Formulierung baut das High-Fidelity-Modell sequentiell aus Vorhersagen mit niedriger Wiedergabetreue auf, anstatt alle Wiedergabetreue als unabhängige Eingaben zu behandeln.

Die Standard-Co-Kriging-Formulierung (AR1) geht von einer linearen Beziehung zwischen den Wiedergabepegeln aus. Flexiblere Formulierungen sind:

  • AR0: Der High-Fidelity-Prozess ist unabhängig vom Low-Fidelity-Prozess (τ = 0), wobei nur der Diskrepanzbegriff modelliert wird
  • AR1: Die Standard-Autoregressive Formulierung mit linearer Skalierung
  • Hierarchische Kriging: umgeht die explizite Kreuz-Kovarianz-Matrix-Konstruktion, indem sie die Genauigkeit der Co-Kriging mit einer einfacheren Implementierung übereinstimmt

Toal (2015) zeigte, dass AR1 eine gute Leistung erbringt, wenn die Korrelation R² > 0,9, während AR0 bevorzugt werden kann, wenn die Korrelation niedriger ist, aber die Modelle eine gewisse strukturelle Ähnlichkeit aufweisen.

Aktuelle Fortschritte (2024-2026): MAGPI (Multifidelity-Augmented GP Inputs) verwendet als zusätzliche räumliche Features Vorhersagen zur Konditionierung des High-Fidelity-Eingaberaums, wodurch eine große Multi-Ausgabe vermieden wird Matrixinversionen unter Beibehaltung der Unsicherheitsquantifizierung. Recursive EM Co-Kriging (2025) entkoppelt die Optimierung für verrauschte, nicht verschachtelte Daten unter Verwendung von Updates mit geschlossener Form, wodurch die Offline-Trainingszeit drastisch verkürzt wird.

2. Neural Operator Multi-Fidelity-Architekturen

Neurale Operatoren haben sich als leistungsstarkes Multi-Fidelity-Framework herausgestellt, insbesondere für PDE-beschränkte Probleme. Der experimentelle Vergleich von Adam Faza et al. (2026) in vier Testfällen identifizierte mehrere unterschiedliche Architekturen:

Transfer Learning (Best Performing): Trainieren Sie zuerst einen neuronalen Operator auf Daten mit geringer Wiedergabetreue, dann eine Feinabstimmung auf Daten mit hoher Wiedergabetreue. Die Architektur lernt das billige Simulationsverhalten, bevor sie sich an die teure Grundwahrheit anpasst. Über alle Testfälle hinweg übertraf nur das Transfer-Lernen konsequent die High-Fidelity-Basislinie, was der gemeinsamen Intuition widerspricht, dass das gemeinsame Training am besten funktionieren sollte. Dies ist besonders wertvoll für instationäre Fließprobleme, bei denen die direkte Einbeziehung mit geringer Wiedergabetreue fehlschlägt.

Intermediate (Joint Training): Trainieren Sie einen einzelnen neuronalen Operator gleichzeitig auf Daten aus beiden Fidelity-Levels. Dieser Ansatz hat die intuitive Anziehungskraft, beide Modelle gemeinsam zu lernen, funktioniert jedoch schlecht, wenn die geringe Genauigkeit bis zur High-Fidelity-Diskrepanz groß ist. Widersprüchliche Informationen aus den beiden Fidelity-Ebenen verwirren das Netzwerk.

Residual Learning: Trainieren Sie das Netzwerk, um den Unterschied zwischen High-Fidelity- und Low-Fidelity-Vorhersagen und nicht direkt der High-Fidelity-Ausgabe vorherzusagen. Diese Architektur kann nützlich sein, wenn der Rest einfacher ist als der volle Ausgang, aber genaue Vorhersagen mit niedriger Wiedergabetreue als Eingabe erfordert.

Zwei-Schritt-Architektur: Trainieren Sie ein Netzwerk auf Daten mit geringer Wiedergabetreue und ein zweites Netzwerk in der Diskrepanz, wobei die Vorhersagen verkettet werden. Dies entkoppelt die Lernaufgaben, führt jedoch Compoundierungsfehler ein.

Faza et al. Es wurde festgestellt, dass neuronale Multi-Fidelity-Operatoren empfindlicher gegenüber geringer Genauigkeit gegenüber High-Fidelity-Diskrepanz sind als Basislinien für Einzeltreue. Direkte Strategien zur Integration mit niedriger Wiedergabetreue (Zwischen, Residuum, zweistufig) verschlechtern sich, wenn die Diskrepanz groß wird, während das Transfer-Lernen über Zeitschrittvariationen stabil bleibt.

Zu den relevantesten neuronalen Operatorarchitekturen für Multi-Fidelity gehören Fourier-Neural-Operatoren (FNO) und Deeponet-Varianten. Tang et al. (2024) zeigten Fourier-Neuraloperatoren für geologische Kohlenstoffspeicheranwendungen, während Lu et al. (2022) führten Multi-Fidelity-DeepOnet-Architekturen ein.

Wu et al. (2022) schlugen hierarchische Multi-Fidelity-Neuronal-Prozesse (MF-HNP) als einheitliches neuronales latentes Variablenmodell für die skalierbare Multi-Fidelity-Surrogat-Modellierung vor, das eine Alternative zu operatorbasierten Ansätzen bietet.

3. Surrogate mit reduzierter Ordnung

Modellierungstechniken (ROM) wie die richtige orthogonale Zerlegung (POD) in Kombination mit zeitlichen Methoden wie LSTM können Multi-Fidelity-Surrogate für zeitabhängige Systeme erstellen. Das Contipaolo/Multifidelity_Pod-Repository bietet eine Open-Source-Implementierung der Pod-basierten Multi-Fidelity-Surrogat-Modellierung mit Tutorial-Notebooks.

Der Ansatz funktioniert, indem dominante Modi aus Simulationsdaten mit geringer Wiedergabetreue extrahiert und dann gelernt werden, diese Modi unter Verwendung von Daten mit hoher Wiedergabetreue zu korrigieren. Dies ist besonders attraktiv für Systeme, bei denen das dominante physikalische Verhalten durch das Modell mit niedriger Wiedergabetreue qualitativ erfasst wird und die Korrekturen mit hoher Wiedergabetreue relativ klein sind.

4. Hybrid-ML-Korrekturen

Hybride Ansätze kombinieren traditionelle Ersatzmodellierung mit Korrekturnetzwerken für maschinelles Lernen. Beispielsweise kann ein Gaußsches Prozess-Surrogat, das auf Daten mit geringer Wiedergabetreue aufgebaut ist, durch ein neuronales Netzwerk korrigiert werden, das auf Daten mit hoher Wiedergabetreue trainiert wird. Dieser Ansatz nutzt die starke Unsicherheitsquantifizierung von Gaußschen Prozessen und profitiert von der Flexibilität neuronaler Netze, um komplexe Diskrepanzen zu lernen.

Ravi et al. (2024) lieferte einen umfassenden Vergleich von Gauß-Prozess-Surrogat-Modellierungsmethoden mit mehreren Genauigkeiten, einschließlich autoregressiver Formulierungen, hierarchischer Ansätze und Gauß-Prozessen mit mehreren Output-Mulit-Map-Map-Prozessen.

Praktische Umsetzung

Das Python-Ökosystem für die Multi-Fidelity-Modellierung ist fragmentiert, aber reife. Drei wichtige Toolkits decken verschiedene Aspekte der Landschaft ab. Es ist wichtig zu verstehen, welches Tool zu Ihrem Problem passt.

SMT: Multi-Fidelity Gaußsche Prozesse

SMT (Surrogate Modeling Toolbox) bietet die umfassendste Multi-Fidelity-Kriging-Implementierung in Python, einschließlich MFK (Multi-Fidelity-Kriging) und MFCK (Multi-Fidelity Co-Kriging). Es unterstützt sowohl autoregressive als auch latent-map-Formulierungen und lässt sich gut in scipy-basierte Workflows integrieren.

Bildvorschlag: Ein Fidelity-Hierarchiediagramm zur Darstellung des Datenflusses durch die Co-Kriging-Pipeline von SMT: Low-Fidelity-Simulationen → High-Fidelity-Proben → Korrelationsschätzung → Co-Kriging-Modell → korrigierte Vorhersagen.

Hier ist ein praktisches Beispiel mit dem Multi-Fidelity Co-Kriging von SMT:

import numpy as np
from smt.smt import MultiFidelityKriging
from smt.surveys import design_of_experiments as doe

# Low-fidelity data (cheap simulations)
lf_x = doe.sobol(100, 2)  # 100 samples, 2 input dimensions
lf_y = np.sin(lf_x[:, 0]) + 0.1 * lf_x[:, 1]  # Simplified physics

# High-fidelity data (expensive simulations)
hf_x = doe.latin_hypercube(20, 2)  # 20 expensive samples
hf_y = np.sin(hf_x[:, 0]) + 0.1 * hf_x[:, 1] + 0.05 * np.sin(5 * hf_x[:, 0])  # Full physics

# Build multi-fidelity co-kriging model
model = MultiFidelityKriging()
model.lf_des = lf_x
model.lf_resp = lf_y
model.hf_des = hf_x
model.hf_resp = hf_y

# Train the model
model.execute()

# Predict for new design points
test_points = doe.latin_hypercube(50, 2)
predictions = model.hf_response(test_points)

Hier gilt die wesentliche Erkenntnis von Toal (2015): Stellen Sie sicher, dass die Korrelation zwischen LF_Y und HF_Y R² > 0,9, bevor Sie sich auf das Multi-Fidelity-Modell verlassen. Sie können diese Korrelation vor dem Training empirisch abschätzen.

DeepXDE: Physik-informierte Multi-Fidelity-Neuraloperatoren

DeepXDE bietet Infrastruktur für physikinformierte neuronale Operatoren mit Multi-Fidelity-Funktionen. Das Framework kombiniert physikalische Einschränkungen (PDE-Residuen) mit Daten mit mehreren Wiedergabetreuen, was es besonders nützlich macht, wenn Sie Gleichungen auf mehreren Wiedergabeebenen verfügbar haben.

Für Multi-Fidelity Neural Operator Training mit DeepXDE:

import deepxde as dde
import numpy as np

# Define the physics problem (example: 1D Poisson equation)
def physics_function(x):
    # Ground truth: -u''(x) = f(x) with boundary conditions
    u_exact = np.sin(np.pi * x)
    f = np.pi**2 * u_exact
    return f

# Low-fidelity data
x_lf = np.linspace(0, 1, 50)[:, np.newaxis]
u_lf = np.sin(np.pi * x_lf) + 0.02 * np.random.rand(50, 1)

# High-fidelity data (expensive)
x_hf = np.linspace(0, 1, 20)[:, np.newaxis]
u_hf = np.sin(np.pi * x_hf)  # True solution

# Multi-fidelity neural operator setup
# Transfer learning: train on LF first, then fine-tune on HF
# This is the architecture that consistently outperforms others
# across PDE test cases (Faza et al., 2026)

Der Transfer-Learning-Ansatz trainiert hier einen neuronalen Operator zunächst auf die Daten mit geringer Wiedergabetreue (lernen des allgemeinen Lösungsverhaltens), dann die Feinabstimmung der High-Fidelity-Daten (die genaue Grundwahrheit anpassen). Dieser Ansatz zur Gewichtsinitialisierung ist robuster als das Gelenktraining, wenn die Genauigkeitslücke groß ist.

DeepXDE ist besonders nützlich, wenn Sie PDE-Residuen zur Verfügung haben und physikalische Einschränkungen neben Multi-Fidelity-Daten erzwingen möchten. Dies wird als physikinformierte Multi-Fidelity-Modellierung bezeichnet.

MultiFidelity_Pod: Multi-Fidelity-Modellierung mit reduzierter Ordnung

Das Multifidelity_Pod-Repository bietet eine Modellierung mit reduzierter Ordnung unter Verwendung einer angemessenen orthogonalen Zerlegung in Kombination mit zeitlichen Methoden für zeitabhängige Multi-Fidelity-Systeme. Dies ist besonders nützlich bei instabilen Problemen, bei denen Sie sowohl räumliche als auch zeitliche Genauigkeitskorrektur benötigen.

# MultiFidelity_POD usage pattern
import MultiFidelity_POD as mfpod

# Load low-fidelity and high-fidelity simulation snapshots
lf_snapshots = np.load('lf_snapshots.npy')  # Shape: (time_steps, spatial_modes)
hf_snapshots = np.load('hf_snapshots.npy')  # Shape: (time_steps, spatial_modes)

# Build reduced-order multi-fidelity model
model = mfpod.MultiFidelityROM()
model.fit(lf_snapshots, hf_snapshots)

# Predict unsteady behavior at new conditions
predictions = model.predict_new_conditions(test_conditions)

Multifidelity_pod ist ideal, wenn Ihr Problem zeitabhängige Simulationsdaten (instationäres CFD, transiente thermische Analyse) umfasst und Sie sowohl räumliches als auch zeitliches Verhalten korrigieren müssen. Das Repository enthält Tutorial-Notizbücher, die den Workflow demonstrieren.

Auswahl Ihres Toolkits

Anforderung Bestes Werkzeug Warum
Gaußscher Prozess mit UQ smt Das umfassendste GP-Toolkit, ausgereifte Co-Kriging-Implementierungen
Physikinformierte neuronale Operatoren Deepxde Eingebaute PDE-Einschränkungen, Transfer-Lernunterstützung
zeitabhängig MultiFidelity_Pod POD-LSTM-Workflows, instabile Simulationsdaten
Schnelles Prototyping smt Gut dokumentiert, scipy-kompatibel
Benutzerdefinierte neuronale Architekturen Deepxde TensorFlow/PyTorch-Flexibilität, benutzerdefinierte Architekturen
Legacy-ROM-Workflows MultiFidelity_Pod Integration in bestehende Pod-Pipelines

Das Ökosystem reift – Benchmark-Suiten wie MF2 bieten allmählich standardisierte Vergleichsframeworks. Bis ein einheitliches Toolkit entsteht, sollten die Praktiker Tools basierend auf ihren spezifischen Wiedergabeanforderungen, verfügbaren Daten und rechnerischen Einschränkungen auswählen.

Fallstudien

Luft- und Raumfahrt-CFD: Transonische Tragflächenoptimierung

Eine der etabliertesten Multi-Fidelity-Anwendungen ist die Optimierung der aerodynamischen Form. Fernández-Godino et al. (2023) dokumentierten, dass Fluidmechanik (46%) und Festmechanik (25%) in der untersuchten Literatur Multi-Fidelity-Anwendungen dominieren.

Der typische Workflow für die Tragflächenoptimierung nutzt:

  • Low-Fidelity: Potential-Flow-Solver (Sekunden pro Lauf)
  • High-Fidelity: Voller Navier-Stokes-Solver mit Turbulenzmodellierung (Minuten bis Stunden pro Lauf)

Das Potential-Flow-Modell erfasst die dominanten Druckverteilungseigenschaften genau, verfehlt jedoch viskose Effekte und die Physik der Stoßwellen. Der Multi-Fidelity-Surrogate lernt die Diskrepanz und ermöglicht eine schnelle Bewertung von Tausenden von Designkandidaten, die hauptsächlich billige Potential-Flow-Simulationen mit ausgewählten Navier-Stokes-Validierungsläufen verwenden.

Es wurde gezeigt, dass die Multi-Fidelity-Bayes’sche Optimierung die Anzahl der High-Fidelity-Bewertungen, die für die Optimierung des Schaufelblatts erforderlich sind, um Größenordnungen im Vergleich zu Single-Fidelity-Ansätzen verringert. Die Korrelation zwischen Potential-Flow- und Navier-Stokes-Vorhersagen ist typischerweise hoch genug (R² > 0,9), um Toal’s conditions Kandidat für die Multi-Fidelity-Modellierung.

Die praktische Erklärung von Robert Wenink bietet eine hervorragende pädagogische Anleitung dieses Workflows unter Verwendung von Forrester et al. Benchmark-Problem, das demonstriert, wie Co-Kriging das günstige Datenverhältnis effektiv nutzt.

Composite Mechanics: Multi-Fidelity-Surrogate für Composites

Wen (2026) Demonstrierte Multi-Fidelity-Surrogat-Modellierung Für die Composite-Mechanik, Übergang von Co-Kriging zu neuronalen Netzwerken mit Multi-Fidelity. Die Studie befasste sich mit der Vorhersage der mechanischen Eigenschaften von Verbundlaminaten unter verschiedenen Belastungsbedingungen, wobei:

  • Low-Fidelity: Schichtweises Theoriemodell (schnell, erfasst makroskopisches Verhalten)
  • High-Fidelity: Vollständige 3D-Finite-Elemente-Analyse auf Ply-Ebene (genau, rechnerisch teuer)

Die Studie zeigte, dass Co-Kriging Gauß-Prozesse mit Einzeltreue übertraf, wenn die Korrelation zwischen der schichtweisen Theorie und der vollen 3D-FEM R² > 0,9. In Fällen, in denen die Korrelation moderat war, wechselte die Studie zu neuronalen Netzwerken mit mehreren Genauigkeiten, die größere Diskrepanzen stärker bewältigen.

Dieser Fall hebt eine praktische Entscheidung hervor: Wenn die Korrelation zwischen der Genauigkeit und der hohen Wiedergabetreue stark ist, ist das Co-Kriging effizient und gut verstanden. Wenn die Korrelation schwächer ist (wie es bei komplexen Ladeszenarien oder außerhalb der Achsenlagen auftreten kann), können neuronale Operatoransätze bevorzugt werden.

Geologische Kohlenstoffspeicherung: Multi-Fidelity-Flow-Simulation

Die Vorhersage der Migration von CO₂-Pflanzen über Jahrzehnte erfordert das Lösen von mehrphasigen Strömungsgleichungen mit vollständiger thermodynamischer Kopplung. Feinrastersimulationen mit vollständiger Physik sind für die Unsicherheitsquantifizierung unerschwinglich, was Tausende von Realisierungen erfordert.

Multi-Fidelity-Ansätze kombinieren:

  • Low-Fidelity: Grobnetz-Simulationen mit vereinfachter Thermodynamik (billig)
  • High-Fidelity: Feinnetz-Simulationen mit thermodynamischer Kopplung (teuer)

Tang et al. (2024) demonstrierten Fourier-Neuraloperatoren für geologische Kohlenstoffspeicheranwendungen und zeigten, dass neuronale Operatoren mit mehreren Genauigkeiten die Diskrepanz zwischen Grob- und Feingittersimulationen unter Beachtung der zugrunde liegenden physikalischen Einschränkungen lernen können.

Diese Anwendung ist besonders interessant, da die Genauigkeitslücke sowohl die Gitterauflösung als auch die Vereinfachung des physischen Modells umfasst. Das Low-Fidelity-Modell verwendet gröbere Gitter und vereinfachte Thermodynamik, während das High-Fidelity-Modell die Heterogenität und das Vollphasenverhalten in feiner Skala auflöst. Dies ist näher am Szenario „Governing-Equation-Differenzen“ (RANs vs. LES in CFD) als einfache Gittervergärung, was es zu einem herausfordernden, aber praktisch wichtigen Testfall macht.

Kompromisse und Entscheidungsrahmen

Die Multi-Fidelity-Surrogat-Modellierung bietet ein erhebliches Potenzial zur Reduzierung der Rechenkosten, führt jedoch zu Komplexität, die sorgfältig verwaltet werden muss.

Komplexität vs. Genauigkeit

Der primäre Kompromiss bei der Multi-Fidelity-Modellierung liegt zwischen der Modellkomplexität und der Genauigkeitsgewinnung. Multi-Fidelity-Ansätze erfordern:

  • Weitere Datenerfassung: Sie benötigen Daten aus mehreren Wiedergabestufen, nicht nur eines
  • Korrelationsschätzung: Sie müssen die Korrelation zwischen den Wiedergabestufen abschätzen
  • Ausgefeiltere Algorithmen: Co-Kriging, neuronale Operatoren und Methoden mit reduzierter Ordnung sind komplexer als Single-Fidelity-Kriging oder neuronale grundlegende Netze
  • Parameter-Tuning: Multi-Fidelity-Modelle verfügen über zusätzliche Hyperparameter (Korrelationsverhältnisse, Fidelity-Gewichte)

Die Genauigkeitsgewinnung muss diese Komplexität rechtfertigen. Bei Problemen, bei denen Tausende von Simulationen erforderlich sind, bei denen High-Fidelity-Läufe Stunden dauern, kann die Multi-Fidelity-Modellierung die Gesamtberechnungszeit um Größenordnungen verkürzen. Bei Problemen mit bescheidenen Simulationszählungen lohnt sich der Overhead möglicherweise nicht.

Entscheidungsrahmen

Verwenden Sie dieses Entscheidungsframework, um festzustellen, wann eine Multi-Fidelity-Modellierung geeignet ist:

Wann Multi-Fidelity verwenden:

  • High-Fidelity-Simulationen sind teuer (Stunden pro Lauf) und Sie benötigen viele Auswertungen (Hunderte+)
  • Low-Fidelity-Simulationen sind verfügbar und korrelieren (R² > 0,9) mit High-Fidelity-Ergebnissen
  • Sie verfügen über historische Low-Fidelity-Daten, die Sie nutzen können
  • Ihre Genauigkeitsanforderungen sind für Explorationsphasen moderat

Wann verwenden Sie Single-Fidelity:

  • High-Fidelity-Simulationen sind billig genug (Minuten pro Lauf), sodass Sie sich genügend Proben leisten können
  • Low-Fidelity-Modelle haben eine schwache Korrelation (R² < 0,9) mit High-Fidelity-Ergebnissen
  • Sie haben nur eine Wiedergabetreue
  • Sie benötigen eine endgültige Validierungsgenauigkeit und können sich nicht auf billige Modellkorrekturen verlassen

Wenn sich die MF-Komplexität möglicherweise nicht lohnt:

  • Die Genauigkeitslücke ist gering (Kostenverhältnis < 10:1) — Der Overhead rechtfertigt möglicherweise nicht Einsparungen
  • Ihr Problem hat eine schwache Korrelation zwischen den Wiedergabepegeln – die Multi-Fidelity-Korrektur führt zu Rauschen
  • Sie verfügen über ein ausreichendes Budget für die adaptive Single-Fidelity-Stichprobe – eine adaptive Einzel-Fidelity-Probenahme kann effektiver sein

Praktische Empfehlungen

  1. Korrelation zuerst : Schätzen Sie vor Investitionen in die Multi-Fidelity-Modellierung die Korrelation zwischen verfügbaren Daten mit niedriger und hoher Wiedergabetreue ab. Wenn R² < 0.9 überdenken Sie, ob Multi-Fidelity angemessen ist oder ob Sie ein anderes Low-Fidelity-Modell benötigen.
  2. Beginn mit Co-Kriging: Wenn die Korrelation stark ist, beginnen Sie mit Co-Kriging (SMT). Es ist gut verstanden, bietet eine zuverlässige Unsicherheitsquantifizierung und ist einfacher zu implementieren als neuronale Operatoransätze.
  3. Überweisungslernen für neuronale Operatoren in Betracht ziehen: Wenn Sie die Flexibilität des neuronalen Operators (hochdimensionale Eingaben, komplexe Geometrien) benötigen, übertrifft Transfer Learning konsequent andere Architekturen über Testfälle hinweg (Faza et al., 2026).
  4. Überwachen Sie die Diskrepanz: Verfolgen Sie, wie sich die geringe Genauigkeit der High-Fidelity-Diskrepanz während des Trainings entwickelt. Wenn es zu groß wird, kann sich das Multi-Fidelity-Modell verschlechtern. Dies ist der Fall, wenn Ansätze für Einzeltreue oder verschiedene Modelle mit geringer Genauigkeit bevorzugt werden können.
  5. Mit Holdout-Daten validieren: Validieren Sie immer Multi-Fidelity-Vorhersagen gegen Holdout-High-Fidelity-Daten. Multi-Fidelity-Modelle können die Diskrepanzstruktur überpassen, insbesondere wenn die Korrelation moderat ist.

Zusammenfassung

Die Multi-Fidelity-Surrogat-Modellierung kombiniert billige Low-Fidelity-Simulationen mit teuren High-Fidelity-Daten, um genaue Vorhersagen bei deutlich niedrigeren Rechenkosten zu erzielen. Das Framework nutzt die Korrelation zwischen den Wiedergabestufen und nutzt maschinelles Lernen, um die Diskrepanz zwischen ihnen zu lernen und zu korrigieren.

Wichtige praktische Erkenntnisse:

  • Transfer Learning ist derzeit die robusteste Multi-Fidelity-Neural-Operator-Strategie über PDE-Testfälle hinweg und übertrifft konsequent die Architektur der gemeinsamen Trainings
  • Multi-Fidelity-Kriging hat enge Anwendbarkeitsbedingungen (R² > 0,9 Korrelation, Budgetanteil 0,1-0,8), die oft übersehen werden
  • Das Python-Ökosystem ist fragmentiert – SMT, DeepXDE und Multifidelity_Pod decken jeweils verschiedene Aspekte ab, und keine einzelne Bibliothek erledigt alles
  • Die härtesten praktischen Probleme sind eher Unterschiede in der Gleichung (RANs vs. LES) als einfache Gittervergröberung
  • Einzelfidelitäts-Surrogat-Modellierung kann ausreichend sein, wenn die Korrelation schwach ist oder das Rechenhaushalt angemessen ist

Für Praktiker, die eine Multi-Fidelity-Modellierung in Betracht ziehen, enthält der obige Entscheidungsrahmen eine konkrete Anleitung, wann und wann es zu vermeiden ist. Die Kernbotschaft ist klar: Multi-Fidelity-Surrogate sind leistungsfähig, wenn die Bedingungen erfüllt sind, aber sie erhöhen die Komplexität, die durch die Genauigkeitsgewinnung und die Recheneinsparungen gerechtfertigt werden muss.

Wenn Sie die Ansätze der Ersatzmodellierung umfassender erkunden, ist unser Leitfaden zu Maschinenlern-Surrogate für wissenschaftliche Simulationen behandelt. Single-Fidelity Foundations, während unser Polynomial Chaos-Erweiterungshandbuch einen alternativen schnellen Ersatzansatz bietet.

Verwandte Anleitungen

Schlüsselreferenzen

Nächste Schritte

Wenn Sie Multi-Fidelity-Ansätze für Ihr spezielles Problem bewerten:

  1. Bewerten Sie die Korrelation zwischen verfügbaren Low-Fidelity- und High-Fidelity-Modellen (Empirisch schätzen R²)
  2. Schätzen Sie das Kostenverhältnis und das gesamte Simulationsbudget
  3. Überprüfen Sie Toal’s conditions (Korrelation > 0,9, Budget-Bruch 0,1-0,8)
  4. Wenn die Bedingungen erfüllt sind, Prototyp mit SMTs Co-Kriging für Gaußsche Prozessansätze oder DeepXDE-Transfer-Learning für neuronale Operatoren
  5. Vor der Bereitstellung validieren gegen Holdout-High-Fidelity-Daten

Für Praktiker, die mit zeitabhängigen Systemen arbeiten, bietet das Multifidelity_Pod-Repository Tutorial-Notebooks, die Workflows mit reduzierter Ordnung demonstrieren. Für diejenigen, die sich mit der Optimierung der Multi-Fidelity-Bayes’schen Optimierung befassen, bauen Folgearbeiten zu MF-Ego und adaptiven Stichprobenstrategien auf den hier beschriebenen Grundlagen auf.