{"id":1120,"date":"2026-08-19T09:48:31","date_gmt":"2026-08-19T09:48:31","guid":{"rendered":"https:\/\/matforge.org\/?p=1120","raw":"https:\/\/matforge.org\/?p=1120"},"modified":"2026-08-19T10:05:42","modified_gmt":"2026-08-19T10:05:42","slug":"multi-fidelity-surrogate-models-physics-ml","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/","title":{"rendered":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden","raw":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 13<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>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 f\u00fcr jeden Entwurfspunkt durchzuf\u00fchren, verwenden die Praktiker Low-Fidelity-Modelle, um eine Basislinie zu etablieren und maschinelles Lernen anzuwenden, um die L\u00fccke in Richtung Genauigkeit mit hoher Wiedergabetreue zu schlie\u00dfen.<\/p>\n<p>Dieser Ansatz ist wichtig, da viele technische Probleme &#8211; aerodynamische Formoptimierung, Verbundmaterialdesign, geologische Kohlenstoffspeicherung &#8211; Tausende von Simulationsl\u00e4ufen erfordern. Es ist unpraktisch, jedes mit einem vollst\u00e4ndigen High-Fidelity-Modell zu betreiben. Multi-Fidelity-Surrogate bieten einen Weg zu genauen Vorhersagen und reduzieren gleichzeitig den Rechenaufwand um Gr\u00f6\u00dfenordnungen.<\/p>\n<p>Die Kernidee ist einfach: Verwenden Sie billige Simulationen, kalibrieren Sie sie mit den teuren Daten, die Sie sich leisten k\u00f6nnen, und lassen Sie maschinelles Lernen die Diskrepanz zwischen ihnen lernen. Die Implementierungslandschaft ist reichhaltig &#8211; Co-Kriging (Bayesian Gau\u00dfsche Prozessfusion), neuronale Operatoren (FNO, Deeponet, WNO), Ersatzmodellierung mit reduzierter Ordnung und hybride ML-Korrekturnetzwerke bieten alle deutliche Kompromisse.<\/p>\n<p><strong>Bildvorschlag<\/strong>: Ein Fidelity-Hierarchie-Diagramm mit Lofi (Grobgitter, vereinfachte Physik) \u2192 HiFi (Feingitter, Vollphysik) \u2192 MF-Korrektur (ML-Schicht \u00fcberbr\u00fcckt die L\u00fccke). Dieses Diagramm veranschaulicht das Kernkonzept.<\/p>\n<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li>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.<\/li>\n<li>Transfer Learning ist derzeit die robusteste Multi-Fidelity-Neural-Operator-Strategie in allen Testf\u00e4llen und \u00fcbertrifft konsequent die Architekturen des gemeinsamen Trainings, wenn die geringe Genauigkeit bis zur High-Fidelity-Diskrepanz gro\u00df ist.<\/li>\n<li>Multi-Fidelity Kriging (Co-Kriging) hat \u00fcberraschend enge Anwendbarkeitsbedingungen \u2013 Korrelation muss R\u00b2 &gt; 0,9 und das Verh\u00e4ltnis von Billig-Gesamtbudget m\u00fcssen zwischen 0,1 und 0,8 liegen. Viele Praktizierende versuchen Co-Kriggen, ohne diese Grenzen zu erf\u00fcllen.<\/li>\n<li>Das Python-\u00d6kosystem f\u00fcr die Multi-Fidelity-Modellierung ist fragmentiert, aber reife &#8211; keine einzige Bibliothek deckt die gesamte Landschaft ab, und die Praktiker m\u00fcssen mehrere Werkzeuge kombinieren.<\/li>\n<li>Die h\u00e4rtesten Probleme mit der Multi-Fidelit\u00e4t sind Unterschiede in der Gleichung (RANs vs. LES) als einfache Gitterverg\u00e4rung, und direkte Strategien zur Integration mit geringer Genauigkeit k\u00f6nnen sich verschlechtern, wenn die Abweichungen gro\u00df sind.<\/li>\n<\/ul>\n<h2>Was Multi-Fidelity bedeutet<\/h2>\n<p>Ein Multi-Fidelity-Surrogatmodell ist ein statistisches oder maschinelles Lernen, das Daten aus mehreren Quellen unterschiedlicher Genauigkeit verwendet, um das Systemverhalten vorherzusagen. Der Begriff &#8222;Fidelity&#8220; bezieht sich auf die Genauigkeit der Simulation &#8211; High-Fidelity-Modelle (volle Navier-Stokes, feine Maschen, komplexe Physik) sind teuer, aber genau, w\u00e4hrend Low-Fidelity-Modelle (Vereinfachte Physik, Grobmaschen, Modelle mit reduzierter Ordnung) sind G\u00fcnstig aber weniger genau.<\/p>\n<p>Der Multi-Fidelity-Ansatz nutzt die Tatsache, dass billigere Simulationen h\u00e4ufig mit teuren korrelieren. Selbst ein qualitativ korrektes Low-Fidelity-Modell kann als leistungsf\u00e4higer Vorg\u00e4nger f\u00fcr teure Daten mit hoher Wiedergabetreue dienen und die Probeneffizienz im Vergleich zu Single-Fidelity-Ans\u00e4tzen drastisch verbessern.<\/p>\n<h3>Konkrete Beispiele<\/h3>\n<p><strong>CFD-Optimierung in der Luft- und Raumfahrt<\/strong>: Das Entwerfen einer Tragfl\u00e4chenform erfordert Hunderte von Simulationsl\u00e4ufen. Das Ausf\u00fchren jedes einzelnen mit einem vollst\u00e4ndigen Navier-Stokes-Solver in einem feinen Gitter kann Minuten oder Stunden pro Lauf dauern. Das Ausf\u00fchren derselben Simulation mit einem Potential-Flow-Modell (Low-Fidelity) dauert Sekunden. Ein Multi-Fidelity-Surrogat lernt die Diskrepanz zwischen potenzieller Str\u00f6mung und Navier-Stokes-Genauigkeit und prognostiziert dann High-Fidelity-Ergebnisse unter Verwendung von meist billigen Simulationen mit einigen teuren Validierungspunkten.<\/p>\n<p><strong>Modellierung von Verbundwerkstoffen<\/strong>: Die Vorhersage der mechanischen Eigenschaften eines Verbundlaminats unter verschiedenen Belastungsbedingungen erfordert die Bewertung von Spannungsfeldern in mehreren Ma\u00dfst\u00e4ben. Eine vollst\u00e4ndige 3D-Finite-Elemente-Analyse auf Ply-Ebene ist teuer. Ein schichtweises Theoriemodell (Low-Fidelity) l\u00e4uft viel schneller. Die Multi-Fidelity-Surrogat-Modellierung lernt die Beziehung zwischen den beiden und erm\u00f6glicht eine schnelle Eigenschaftsvorhersage f\u00fcr die Exploration des Designs.<\/p>\n<p><strong>Geologische Kohlenstoffspeicherung <\/strong>: Die Vorhersage der CO\u2082-Wolffahnenmigration \u00fcber Jahrzehnte erfordert das L\u00f6sen von mehrphasigen Str\u00f6mungsgleichungen. Feinrastersimulationen mit vollst\u00e4ndiger thermodynamischer Kopplung sind f\u00fcr die Unsicherheitsquantifizierung unerschwinglich teuer. Multi-Fidelity-Ans\u00e4tze kombinieren Grobnetz-Simulationen (billig) mit ausgew\u00e4hlten Feinrasterl\u00e4ufen (teuer), um genaue Surrogate f\u00fcr die Risikobewertung zu erstellen.<\/p>\n<p>Diese Beispiele teilen ein gemeinsames Muster: Viele billige Simulationen sind verf\u00fcgbar, einige teure sind machbar und die billigen Modelle korrelieren mit den teuren. Der Multi-Fidelity-Surrogate nutzt diese Struktur aus.<\/p>\n<h2>Wenn Multi-Fidelity es wert ist<\/h2>\n<p>Die Multi-Fidelity-Modellierung erh\u00f6ht die Komplexit\u00e4t \u2013 Sie m\u00fcssen Daten aus mehreren Quellen sammeln, Korrelationen zwischen den Wiedergabestufen absch\u00e4tzen und anspruchsvollere Algorithmen verwenden. Es ist nicht immer die richtige Wahl.<\/p>\n<h3>Bedingungen von Toal<\/h3>\n<p>Die durch <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015) <\/a>, bei denen Multi-Fidelity-Kriging tats\u00e4chlich die Genauigkeit im Vergleich zu Single-Fidelity-Ans\u00e4tzen verbessert: Diese Bedingungen sind \u00fcberraschend eng und werden in der Praxis oft \u00fcbersehen:<\/p>\n<ol>\n<li><strong>Korrelationsschwellenwert<\/strong>: Die Korrelation zwischen den Genauigkeitsstufen muss R\u00b2 &gt; 0,9. Wenn das Low-Fidelity-Modell Ergebnisse liefert, die nur schwach mit der Wahrheit \u00fcber die High-Fidelity-Grunde korrelieren, kann der Multi-Fidelity-Ansatz die Vorhersagen durch die Einf\u00fchrung widerspr\u00fcchlicher Informationen tats\u00e4chlich verschlechtern.<\/li>\n<li><strong>Budgetfraktion<\/strong>: Der Bruchteil des Gesamtsimulationsbudgets, das billigen Simulationen zugewiesen wird, sollte zwischen 0,1 und 0,8 liegen. Wenn Sie zu viel Budget f\u00fcr billige Simulationen und zu wenig f\u00fcr teure Ausgaben ausgeben, kann das Korrekturmodell nicht richtig kalibriert werden. Wenn Sie zu wenig f\u00fcr billige Simulationen ausgeben, k\u00f6nnen Sie die Basislinie nicht genau festlegen.<\/li>\n<li><strong>Konservatives Stichprobenverh\u00e4ltnis<\/strong>: Die Anzahl der billigen Proben sollte das 1,75-fache (1 + 1 \/ cr) \u00fcberschreiten, wobei CR das Korrelationsverh\u00e4ltnis zwischen den Fidelit\u00e4tsniveaus ist. Dies gew\u00e4hrleistet ausreichend Daten, um die Diskrepanzfunktion zuverl\u00e4ssig zu erlernen.<\/li>\n<\/ol>\n<p>Wenn diese Bedingungen erf\u00fcllt sind, bietet Multi-Fidelity-Kriging eine Genauigkeit, die mit Einzel-Fidelity-Modellen vergleichbar ist, f\u00fcr die viel teurere Proben erforderlich w\u00e4ren. Wenn sie nicht erf\u00fcllt werden, sollten die Praktizierenden \u00fcberlegen, ob eine Multi-Fidelity-Modellierung angemessen ist.<\/p>\n<h3>Kosten-Nutzen-Analyse<\/h3>\n<p>\u00dcber die Bedingungen von Toal hinaus erfordert die praktische Akzeptanz von Multi-Fidelity die Bewertung Ihrer spezifischen Einschr\u00e4nkungen:<\/p>\n<ul>\n<li><strong>Simulationskostenverh\u00e4ltnis<\/strong>: Wie viel billiger ist das Low-Fidelity-Modell? Wenn das Kostenverh\u00e4ltnis weniger als 10:1 ist (billige Simulation ist weniger als 10% der teuren Simulationskosten), wird die Multi-Fidelity-Modellierung f\u00fcr Probleme attraktiv, die Tausende von L\u00e4ufen erfordern.<\/li>\n<li><strong>Verf\u00fcgbare Daten<\/strong>: Haben Sie bereits \u00e4ltere Simulationsdaten mit geringer Wiedergabetreue? Die Multi-Fidelity-Modellierung ist besonders attraktiv, wenn billige historische Daten vorhanden sind, aber keine High-Fidelity-Daten gesammelt wurden.<\/li>\n<li><strong>Genauigkeitsanforderungen<\/strong>: Wie viel Genauigkeit ben\u00f6tigen Sie f\u00fcr Ihre Anwendung? F\u00fcr die explorative Design-Raum-Analyse kann eine m\u00e4\u00dfige Genauigkeit ausreichen. F\u00fcr die endg\u00fcltige Konstruktionsvalidierung ben\u00f6tigen Sie Hi-Fi-Genauigkeit.<\/li>\n<li><strong>Rechenbudget<\/strong>: K\u00f6nnen Sie sich Hunderte teurer Simulationen leisten? Wenn ja, k\u00f6nnen Single-Fidelity-Ans\u00e4tze praktisch sein. Wenn nein, ist Multi-Fidelity wahrscheinlich notwendig.<\/li>\n<\/ul>\n<p>Der folgende Entscheidungsrahmen fasst diese Kompromisse zusammen:<\/p>\n<p><strong>Bildvorschlag<\/strong>: Eine Kompromisskurve f\u00fcr 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.<\/p>\n<h3>Wenn Single-Fidelity ausreichend sein kann<\/h3>\n<p>Single-Fidelity-Surrogat-Modellierung (beschrieben in unserem Leitfaden zu <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinen-Lernsurrogate f\u00fcr wissenschaftliche Simulationen<\/a>) ist vorzuziehen, wenn:<\/p>\n<ul>\n<li>Die Low-Fidelity- und High-Fidelity-Modelle haben R\u00b2 &lt; 0.9 Korrelation \u2014 In diesem Fall f\u00fchrt die Multi-Fidelity-Korrektur eher Rauschen als Signal<\/li>\n<li>Das billige Modell ist nur geringf\u00fcgig schneller (Kostenverh\u00e4ltnis &lt; 10:1) \u2014 Der Overhead der Multi-Fidelity-Modellierung rechtfertigt m\u00f6glicherweise nicht die Einsparungen<\/li>\n<li>Sie verf\u00fcgen \u00fcber ein ausreichendes Budget f\u00fcr gen\u00fcgend High-Fidelity-Proben \u2013 wenn Sie sich Hunderte teurer L\u00e4ufe leisten k\u00f6nnen, sind Single-Fidelity-Ans\u00e4tze mit adaptiver Probenahme m\u00f6glicherweise praktischer<\/li>\n<li>Ihr Problem hat nur eine Genauigkeitsstufe verf\u00fcgbar &#8211; manchmal existieren Legacy-Simulationen nur auf einer Genauigkeitsstufe<\/li>\n<\/ul>\n<h2>Kernmethoden<\/h2>\n<p>Die Multi-Fidelity-Surrogat-Modellierungslandschaft erstreckt sich \u00fcber mehrere unterschiedliche methodische Familien. Jeder hat unterschiedliche Annahmen, St\u00e4rken und Schw\u00e4chen.<\/p>\n<h3>1. Co-Kriging (Multi-Fidelity Gau\u00dfsche Prozesse)<\/h3>\n<p>Co-Kriging ist die etablierteste Multi-Fidelity-Methode, die in der autoregressiven Formulierung von Kennedy und O&#8217;Hagan (2000) verwurzelt ist. Die Schl\u00fcsselidee ist, dass der High-Fidelity-Prozess als lineare Skalierung des Low-Fidelity-Prozesses plus einem Diskrepanzbegriff modelliert wird:<\/p>\n<p>y_hf(x) = \u03c4 \u00d7 y_lf(x) + \u03b4(x) + \u03b5<\/p>\n<p>Wenn \u03c4 die Low-Fidelity-Vorhersage skaliert, ist \u03b4(x) eine Gau\u00dfsche Prozessdiskrepanz und \u03b5 Rauschen. Die autoregressive Formulierung baut das High-Fidelity-Modell sequentiell aus Vorhersagen mit niedriger Wiedergabetreue auf, anstatt alle Wiedergabetreue als unabh\u00e4ngige Eingaben zu behandeln.<\/p>\n<p>Die Standard-Co-Kriging-Formulierung (AR1) geht von einer linearen Beziehung zwischen den Wiedergabepegeln aus. Flexiblere Formulierungen sind:<\/p>\n<ul>\n<li><strong>AR0<\/strong>: Der High-Fidelity-Prozess ist unabh\u00e4ngig vom Low-Fidelity-Prozess (\u03c4 = 0), wobei nur der Diskrepanzbegriff modelliert wird<\/li>\n<li><strong>AR1<\/strong>: Die Standard-Autoregressive Formulierung mit linearer Skalierung<\/li>\n<li><strong>Hierarchische Kriging<\/strong>: umgeht die explizite Kreuz-Kovarianz-Matrix-Konstruktion, indem sie die Genauigkeit der Co-Kriging mit einer einfacheren Implementierung \u00fcbereinstimmt<\/li>\n<\/ul>\n<p><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015)<\/a> zeigte, dass AR1 eine gute Leistung erbringt, wenn die Korrelation R\u00b2 &gt; 0,9, w\u00e4hrend AR0 bevorzugt werden kann, wenn die Korrelation niedriger ist, aber die Modelle eine gewisse strukturelle \u00c4hnlichkeit aufweisen.<\/p>\n<p><strong>Aktuelle Fortschritte (2024-2026)<\/strong>: MAGPI (Multifidelity-Augmented GP Inputs) verwendet als zus\u00e4tzliche r\u00e4umliche Features Vorhersagen zur Konditionierung des High-Fidelity-Eingaberaums, wodurch eine gro\u00dfe Multi-Ausgabe vermieden wird Matrixinversionen unter Beibehaltung der Unsicherheitsquantifizierung. Recursive EM Co-Kriging (2025) entkoppelt die Optimierung f\u00fcr verrauschte, nicht verschachtelte Daten unter Verwendung von Updates mit geschlossener Form, wodurch die Offline-Trainingszeit drastisch verk\u00fcrzt wird.<\/p>\n<h3>2. Neural Operator Multi-Fidelity-Architekturen<\/h3>\n<p>Neurale Operatoren haben sich als leistungsstarkes Multi-Fidelity-Framework herausgestellt, insbesondere f\u00fcr PDE-beschr\u00e4nkte Probleme. Der experimentelle Vergleich von <a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\"> Adam Faza et al. (2026) <\/a> in vier Testf\u00e4llen identifizierte mehrere unterschiedliche Architekturen:<\/p>\n<p><strong>Transfer Learning (Best Performing)<\/strong>: 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. \u00dcber alle Testf\u00e4lle hinweg \u00fcbertraf 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 f\u00fcr instation\u00e4re Flie\u00dfprobleme, bei denen die direkte Einbeziehung mit geringer Wiedergabetreue fehlschl\u00e4gt.<\/p>\n<p><strong>Intermediate (Joint Training)<\/strong>: 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 gro\u00df ist. Widerspr\u00fcchliche Informationen aus den beiden Fidelity-Ebenen verwirren das Netzwerk.<\/p>\n<p><strong>Residual Learning<\/strong>: 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 n\u00fctzlich sein, wenn der Rest einfacher ist als der volle Ausgang, aber genaue Vorhersagen mit niedriger Wiedergabetreue als Eingabe erfordert.<\/p>\n<p><strong>Zwei-Schritt-Architektur<\/strong>: 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, f\u00fchrt jedoch Compoundierungsfehler ein.<\/p>\n<p>Faza et al. Es wurde festgestellt, dass neuronale Multi-Fidelity-Operatoren empfindlicher gegen\u00fcber geringer Genauigkeit gegen\u00fcber High-Fidelity-Diskrepanz sind als Basislinien f\u00fcr Einzeltreue. Direkte Strategien zur Integration mit niedriger Wiedergabetreue (Zwischen, Residuum, zweistufig) verschlechtern sich, wenn die Diskrepanz gro\u00df wird, w\u00e4hrend das Transfer-Lernen \u00fcber Zeitschrittvariationen stabil bleibt.<\/p>\n<p>Zu den relevantesten neuronalen Operatorarchitekturen f\u00fcr Multi-Fidelity geh\u00f6ren Fourier-Neural-Operatoren (FNO) und Deeponet-Varianten. Tang et al. (2024) zeigten Fourier-Neuraloperatoren f\u00fcr geologische Kohlenstoffspeicheranwendungen, w\u00e4hrend Lu et al. (2022) f\u00fchrten Multi-Fidelity-DeepOnet-Architekturen ein.<\/p>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\"> Wu et al. (2022) <\/a> schlugen hierarchische Multi-Fidelity-Neuronal-Prozesse (MF-HNP) als einheitliches neuronales latentes Variablenmodell f\u00fcr die skalierbare Multi-Fidelity-Surrogat-Modellierung vor, das eine Alternative zu operatorbasierten Ans\u00e4tzen bietet.<\/p>\n<h3>3. Surrogate mit reduzierter Ordnung<\/h3>\n<p>Modellierungstechniken (ROM) wie die richtige orthogonale Zerlegung (POD) in Kombination mit zeitlichen Methoden wie LSTM k\u00f6nnen Multi-Fidelity-Surrogate f\u00fcr zeitabh\u00e4ngige Systeme erstellen. Das Contipaolo\/Multifidelity_Pod-Repository bietet eine Open-Source-Implementierung der Pod-basierten Multi-Fidelity-Surrogat-Modellierung mit Tutorial-Notebooks.<\/p>\n<p>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 f\u00fcr 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.<\/p>\n<h3>4. Hybrid-ML-Korrekturen<\/h3>\n<p>Hybride Ans\u00e4tze kombinieren traditionelle Ersatzmodellierung mit Korrekturnetzwerken f\u00fcr maschinelles Lernen. Beispielsweise kann ein Gau\u00dfsches 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 Gau\u00dfschen Prozessen und profitiert von der Flexibilit\u00e4t neuronaler Netze, um komplexe Diskrepanzen zu lernen.<\/p>\n<p><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\"> Ravi et al. (2024) <\/a> lieferte einen umfassenden Vergleich von Gau\u00df-Prozess-Surrogat-Modellierungsmethoden mit mehreren Genauigkeiten, einschlie\u00dflich autoregressiver Formulierungen, hierarchischer Ans\u00e4tze und Gau\u00df-Prozessen mit mehreren Output-Mulit-Map-Map-Prozessen.<\/p>\n<h2>Praktische Umsetzung<\/h2>\n<p>Das Python-\u00d6kosystem f\u00fcr 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.<\/p>\n<h3>SMT: Multi-Fidelity Gau\u00dfsche Prozesse<\/h3>\n<p>SMT (Surrogate Modeling Toolbox) bietet die umfassendste Multi-Fidelity-Kriging-Implementierung in Python, einschlie\u00dflich MFK (Multi-Fidelity-Kriging) und MFCK (Multi-Fidelity Co-Kriging). Es unterst\u00fctzt sowohl autoregressive als auch latent-map-Formulierungen und l\u00e4sst sich gut in scipy-basierte Workflows integrieren.<\/p>\n<p><strong>Bildvorschlag<\/strong>: Ein Fidelity-Hierarchiediagramm zur Darstellung des Datenflusses durch die Co-Kriging-Pipeline von SMT: Low-Fidelity-Simulationen \u2192 High-Fidelity-Proben \u2192 Korrelationssch\u00e4tzung \u2192 Co-Kriging-Modell \u2192 korrigierte Vorhersagen.<\/p>\n<p>Hier ist ein praktisches Beispiel mit dem Multi-Fidelity Co-Kriging von SMT:<\/p>\n<pre><code class=\"language-python\">import numpy as np\r\nfrom smt.smt import MultiFidelityKriging\r\nfrom smt.surveys import design_of_experiments as doe\r\n\r\n# Low-fidelity data (cheap simulations)\r\nlf_x = doe.sobol(100, 2)  # 100 samples, 2 input dimensions\r\nlf_y = np.sin(lf_x[:, 0]) + 0.1 * lf_x[:, 1]  # Simplified physics\r\n\r\n# High-fidelity data (expensive simulations)\r\nhf_x = doe.latin_hypercube(20, 2)  # 20 expensive samples\r\nhf_y = np.sin(hf_x[:, 0]) + 0.1 * hf_x[:, 1] + 0.05 * np.sin(5 * hf_x[:, 0])  # Full physics\r\n\r\n# Build multi-fidelity co-kriging model\r\nmodel = MultiFidelityKriging()\r\nmodel.lf_des = lf_x\r\nmodel.lf_resp = lf_y\r\nmodel.hf_des = hf_x\r\nmodel.hf_resp = hf_y\r\n\r\n# Train the model\r\nmodel.execute()\r\n\r\n# Predict for new design points\r\ntest_points = doe.latin_hypercube(50, 2)\r\npredictions = model.hf_response(test_points)\r\n<\/code><\/pre>\n<p>Hier gilt die wesentliche Erkenntnis von Toal (2015): Stellen Sie sicher, dass die Korrelation zwischen LF_Y und HF_Y R\u00b2 &gt; 0,9, bevor Sie sich auf das Multi-Fidelity-Modell verlassen. Sie k\u00f6nnen diese Korrelation vor dem Training empirisch absch\u00e4tzen.<\/p>\n<h3>DeepXDE: Physik-informierte Multi-Fidelity-Neuraloperatoren<\/h3>\n<p>DeepXDE bietet Infrastruktur f\u00fcr physikinformierte neuronale Operatoren mit Multi-Fidelity-Funktionen. Das Framework kombiniert physikalische Einschr\u00e4nkungen (PDE-Residuen) mit Daten mit mehreren Wiedergabetreuen, was es besonders n\u00fctzlich macht, wenn Sie Gleichungen auf mehreren Wiedergabeebenen verf\u00fcgbar haben.<\/p>\n<p>F\u00fcr Multi-Fidelity Neural Operator Training mit DeepXDE:<\/p>\n<pre><code class=\"language-python\">import deepxde as dde\r\nimport numpy as np\r\n\r\n# Define the physics problem (example: 1D Poisson equation)\r\ndef physics_function(x):\r\n    # Ground truth: -u''(x) = f(x) with boundary conditions\r\n    u_exact = np.sin(np.pi * x)\r\n    f = np.pi**2 * u_exact\r\n    return f\r\n\r\n# Low-fidelity data\r\nx_lf = np.linspace(0, 1, 50)[:, np.newaxis]\r\nu_lf = np.sin(np.pi * x_lf) + 0.02 * np.random.rand(50, 1)\r\n\r\n# High-fidelity data (expensive)\r\nx_hf = np.linspace(0, 1, 20)[:, np.newaxis]\r\nu_hf = np.sin(np.pi * x_hf)  # True solution\r\n\r\n# Multi-fidelity neural operator setup\r\n# Transfer learning: train on LF first, then fine-tune on HF\r\n# This is the architecture that consistently outperforms others\r\n# across PDE test cases (Faza et al., 2026)\r\n<\/code><\/pre>\n<p>Der Transfer-Learning-Ansatz trainiert hier einen neuronalen Operator zun\u00e4chst auf die Daten mit geringer Wiedergabetreue (lernen des allgemeinen L\u00f6sungsverhaltens), dann die Feinabstimmung der High-Fidelity-Daten (die genaue Grundwahrheit anpassen). Dieser Ansatz zur Gewichtsinitialisierung ist robuster als das Gelenktraining, wenn die Genauigkeitsl\u00fccke gro\u00df ist.<\/p>\n<p>DeepXDE ist besonders n\u00fctzlich, wenn Sie PDE-Residuen zur Verf\u00fcgung haben und physikalische Einschr\u00e4nkungen neben Multi-Fidelity-Daten erzwingen m\u00f6chten. Dies wird als physikinformierte Multi-Fidelity-Modellierung bezeichnet.<\/p>\n<h3>MultiFidelity_Pod: Multi-Fidelity-Modellierung mit reduzierter Ordnung<\/h3>\n<p>Das Multifidelity_Pod-Repository bietet eine Modellierung mit reduzierter Ordnung unter Verwendung einer angemessenen orthogonalen Zerlegung in Kombination mit zeitlichen Methoden f\u00fcr zeitabh\u00e4ngige Multi-Fidelity-Systeme. Dies ist besonders n\u00fctzlich bei instabilen Problemen, bei denen Sie sowohl r\u00e4umliche als auch zeitliche Genauigkeitskorrektur ben\u00f6tigen.<\/p>\n<pre><code class=\"language-python\"># MultiFidelity_POD usage pattern\r\nimport MultiFidelity_POD as mfpod\r\n\r\n# Load low-fidelity and high-fidelity simulation snapshots\r\nlf_snapshots = np.load('lf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\r\nhf_snapshots = np.load('hf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\r\n\r\n# Build reduced-order multi-fidelity model\r\nmodel = mfpod.MultiFidelityROM()\r\nmodel.fit(lf_snapshots, hf_snapshots)\r\n\r\n# Predict unsteady behavior at new conditions\r\npredictions = model.predict_new_conditions(test_conditions)\r\n<\/code><\/pre>\n<p>Multifidelity_pod ist ideal, wenn Ihr Problem zeitabh\u00e4ngige Simulationsdaten (instation\u00e4res CFD, transiente thermische Analyse) umfasst und Sie sowohl r\u00e4umliches als auch zeitliches Verhalten korrigieren m\u00fcssen. Das Repository enth\u00e4lt Tutorial-Notizb\u00fccher, die den Workflow demonstrieren.<\/p>\n<h3>Auswahl Ihres Toolkits<\/h3>\n<table>\n<thead>\n<tr>\n<th>Anforderung<\/th>\n<th>Bestes Werkzeug<\/th>\n<th>Warum<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Gau\u00dfscher Prozess mit UQ<\/td>\n<td>smt<\/td>\n<td>Das umfassendste GP-Toolkit, ausgereifte Co-Kriging-Implementierungen<\/td>\n<\/tr>\n<tr>\n<td>Physikinformierte neuronale Operatoren<\/td>\n<td>Deepxde<\/td>\n<td>Eingebaute PDE-Einschr\u00e4nkungen, Transfer-Lernunterst\u00fctzung<\/td>\n<\/tr>\n<tr>\n<td>zeitabh\u00e4ngig<\/td>\n<td>MultiFidelity_Pod<\/td>\n<td>POD-LSTM-Workflows, instabile Simulationsdaten<\/td>\n<\/tr>\n<tr>\n<td>Schnelles Prototyping<\/td>\n<td>smt<\/td>\n<td>Gut dokumentiert, scipy-kompatibel<\/td>\n<\/tr>\n<tr>\n<td>Benutzerdefinierte neuronale Architekturen<\/td>\n<td>Deepxde<\/td>\n<td>TensorFlow\/PyTorch-Flexibilit\u00e4t, benutzerdefinierte Architekturen<\/td>\n<\/tr>\n<tr>\n<td>Legacy-ROM-Workflows<\/td>\n<td>MultiFidelity_Pod<\/td>\n<td>Integration in bestehende Pod-Pipelines<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Das \u00d6kosystem reift &#8211; Benchmark-Suiten wie MF2 bieten allm\u00e4hlich standardisierte Vergleichsframeworks. Bis ein einheitliches Toolkit entsteht, sollten die Praktiker Tools basierend auf ihren spezifischen Wiedergabeanforderungen, verf\u00fcgbaren Daten und rechnerischen Einschr\u00e4nkungen ausw\u00e4hlen.<\/p>\n<h2>Fallstudien<\/h2>\n<h3>Luft- und Raumfahrt-CFD: Transonische Tragfl\u00e4chenoptimierung<\/h3>\n<p>Eine der etabliertesten Multi-Fidelity-Anwendungen ist die Optimierung der aerodynamischen Form. <a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\"> Fern\u00e1ndez-Godino et al. (2023) <\/a> dokumentierten, dass Fluidmechanik (46%) und Festmechanik (25%) in der untersuchten Literatur Multi-Fidelity-Anwendungen dominieren.<\/p>\n<p>Der typische Workflow f\u00fcr die Tragfl\u00e4chenoptimierung nutzt:<\/p>\n<ul>\n<li><strong>Low-Fidelity<\/strong>: Potential-Flow-Solver (Sekunden pro Lauf)<\/li>\n<li><strong>High-Fidelity<\/strong>: Voller Navier-Stokes-Solver mit Turbulenzmodellierung (Minuten bis Stunden pro Lauf)<\/li>\n<\/ul>\n<p>Das Potential-Flow-Modell erfasst die dominanten Druckverteilungseigenschaften genau, verfehlt jedoch viskose Effekte und die Physik der Sto\u00dfwellen. Der Multi-Fidelity-Surrogate lernt die Diskrepanz und erm\u00f6glicht eine schnelle Bewertung von Tausenden von Designkandidaten, die haupts\u00e4chlich billige Potential-Flow-Simulationen mit ausgew\u00e4hlten Navier-Stokes-Validierungsl\u00e4ufen verwenden.<\/p>\n<p>Es wurde gezeigt, dass die Multi-Fidelity-Bayes&#8217;sche Optimierung die Anzahl der High-Fidelity-Bewertungen, die f\u00fcr die Optimierung des Schaufelblatts erforderlich sind, um Gr\u00f6\u00dfenordnungen im Vergleich zu Single-Fidelity-Ans\u00e4tzen verringert. Die Korrelation zwischen Potential-Flow- und Navier-Stokes-Vorhersagen ist typischerweise hoch genug (R\u00b2 &gt; 0,9), um <a zu=\"\" erf\u00fcllen=\"\" href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal&#8217;s conditions<\/a> Kandidat f\u00fcr die Multi-Fidelity-Modellierung.<\/p>\n<p><a href=\"https:\/\/robertwenink.com\/posts\/mfkriging\/\" rel=\"nofollow\">Die praktische Erkl\u00e4rung von Robert Wenink <\/a> bietet eine hervorragende p\u00e4dagogische Anleitung dieses Workflows unter Verwendung von Forrester et al. Benchmark-Problem, das demonstriert, wie Co-Kriging das g\u00fcnstige Datenverh\u00e4ltnis effektiv nutzt.<\/p>\n<h3>Composite Mechanics: Multi-Fidelity-Surrogate f\u00fcr Composites<\/h3>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">Wen (2026)<\/a> Demonstrierte Multi-Fidelity-Surrogat-Modellierung F\u00fcr die Composite-Mechanik, \u00dcbergang 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:<\/p>\n<ul>\n<li><strong>Low-Fidelity<\/strong>: Schichtweises Theoriemodell (schnell, erfasst makroskopisches Verhalten)<\/li>\n<li><strong>High-Fidelity<\/strong>: Vollst\u00e4ndige 3D-Finite-Elemente-Analyse auf Ply-Ebene (genau, rechnerisch teuer)<\/li>\n<\/ul>\n<p>Die Studie zeigte, dass Co-Kriging Gau\u00df-Prozesse mit Einzeltreue \u00fcbertraf, wenn die Korrelation zwischen der schichtweisen Theorie und der vollen 3D-FEM R\u00b2 &gt; 0,9. In F\u00e4llen, in denen die Korrelation moderat war, wechselte die Studie zu neuronalen Netzwerken mit mehreren Genauigkeiten, die gr\u00f6\u00dfere Diskrepanzen st\u00e4rker bew\u00e4ltigen.<\/p>\n<p>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 schw\u00e4cher ist (wie es bei komplexen Ladeszenarien oder au\u00dferhalb der Achsenlagen auftreten kann), k\u00f6nnen neuronale Operatorans\u00e4tze bevorzugt werden.<\/p>\n<h3>Geologische Kohlenstoffspeicherung: Multi-Fidelity-Flow-Simulation<\/h3>\n<p>Die Vorhersage der Migration von CO\u2082-Pflanzen \u00fcber Jahrzehnte erfordert das L\u00f6sen von mehrphasigen Str\u00f6mungsgleichungen mit vollst\u00e4ndiger thermodynamischer Kopplung. Feinrastersimulationen mit vollst\u00e4ndiger Physik sind f\u00fcr die Unsicherheitsquantifizierung unerschwinglich, was Tausende von Realisierungen erfordert.<\/p>\n<p>Multi-Fidelity-Ans\u00e4tze kombinieren:<\/p>\n<ul>\n<li><strong>Low-Fidelity<\/strong>: Grobnetz-Simulationen mit vereinfachter Thermodynamik (billig)<\/li>\n<li><strong>High-Fidelity<\/strong>: Feinnetz-Simulationen mit thermodynamischer Kopplung (teuer)<\/li>\n<\/ul>\n<p>Tang et al. (2024) demonstrierten Fourier-Neuraloperatoren f\u00fcr geologische Kohlenstoffspeicheranwendungen und zeigten, dass neuronale Operatoren mit mehreren Genauigkeiten die Diskrepanz zwischen Grob- und Feingittersimulationen unter Beachtung der zugrunde liegenden physikalischen Einschr\u00e4nkungen lernen k\u00f6nnen.<\/p>\n<p>Diese Anwendung ist besonders interessant, da die Genauigkeitsl\u00fccke sowohl die Gitteraufl\u00f6sung als auch die Vereinfachung des physischen Modells umfasst. Das Low-Fidelity-Modell verwendet gr\u00f6bere Gitter und vereinfachte Thermodynamik, w\u00e4hrend das High-Fidelity-Modell die Heterogenit\u00e4t und das Vollphasenverhalten in feiner Skala aufl\u00f6st. Dies ist n\u00e4her am Szenario &#8222;Governing-Equation-Differenzen&#8220; (RANs vs. LES in CFD) als einfache Gitterverg\u00e4rung, was es zu einem herausfordernden, aber praktisch wichtigen Testfall macht.<\/p>\n<h2>Kompromisse und Entscheidungsrahmen<\/h2>\n<p>Die Multi-Fidelity-Surrogat-Modellierung bietet ein erhebliches Potenzial zur Reduzierung der Rechenkosten, f\u00fchrt jedoch zu Komplexit\u00e4t, die sorgf\u00e4ltig verwaltet werden muss.<\/p>\n<h3>Komplexit\u00e4t vs. Genauigkeit<\/h3>\n<p>Der prim\u00e4re Kompromiss bei der Multi-Fidelity-Modellierung liegt zwischen der Modellkomplexit\u00e4t und der Genauigkeitsgewinnung. Multi-Fidelity-Ans\u00e4tze erfordern:<\/p>\n<ul>\n<li><strong>Weitere Datenerfassung<\/strong>: Sie ben\u00f6tigen Daten aus mehreren Wiedergabestufen, nicht nur eines<\/li>\n<li><strong>Korrelationssch\u00e4tzung<\/strong>: Sie m\u00fcssen die Korrelation zwischen den Wiedergabestufen absch\u00e4tzen<\/li>\n<li><strong>Ausgefeiltere Algorithmen<\/strong>: Co-Kriging, neuronale Operatoren und Methoden mit reduzierter Ordnung sind komplexer als Single-Fidelity-Kriging oder neuronale grundlegende Netze<\/li>\n<li><strong>Parameter-Tuning<\/strong>: Multi-Fidelity-Modelle verf\u00fcgen \u00fcber zus\u00e4tzliche Hyperparameter (Korrelationsverh\u00e4ltnisse, Fidelity-Gewichte)<\/li>\n<\/ul>\n<p>Die Genauigkeitsgewinnung muss diese Komplexit\u00e4t rechtfertigen. Bei Problemen, bei denen Tausende von Simulationen erforderlich sind, bei denen High-Fidelity-L\u00e4ufe Stunden dauern, kann die Multi-Fidelity-Modellierung die Gesamtberechnungszeit um Gr\u00f6\u00dfenordnungen verk\u00fcrzen. Bei Problemen mit bescheidenen Simulationsz\u00e4hlungen lohnt sich der Overhead m\u00f6glicherweise nicht.<\/p>\n<h3>Entscheidungsrahmen<\/h3>\n<p>Verwenden Sie dieses Entscheidungsframework, um festzustellen, wann eine Multi-Fidelity-Modellierung geeignet ist:<\/p>\n<p><strong>Wann Multi-Fidelity verwenden:<\/strong><\/p>\n<ul>\n<li>High-Fidelity-Simulationen sind teuer (Stunden pro Lauf) und Sie ben\u00f6tigen viele Auswertungen (Hunderte+)<\/li>\n<li>Low-Fidelity-Simulationen sind verf\u00fcgbar und korrelieren (R\u00b2 &gt; 0,9) mit High-Fidelity-Ergebnissen<\/li>\n<li>Sie verf\u00fcgen \u00fcber historische Low-Fidelity-Daten, die Sie nutzen k\u00f6nnen<\/li>\n<li>Ihre Genauigkeitsanforderungen sind f\u00fcr Explorationsphasen moderat<\/li>\n<\/ul>\n<p><strong>Wann verwenden Sie Single-Fidelity:<\/strong><\/p>\n<ul>\n<li>High-Fidelity-Simulationen sind billig genug (Minuten pro Lauf), sodass Sie sich gen\u00fcgend Proben leisten k\u00f6nnen<\/li>\n<li>Low-Fidelity-Modelle haben eine schwache Korrelation (R\u00b2 &lt; 0,9) mit High-Fidelity-Ergebnissen<\/li>\n<li>Sie haben nur eine Wiedergabetreue<\/li>\n<li>Sie ben\u00f6tigen eine endg\u00fcltige Validierungsgenauigkeit und k\u00f6nnen sich nicht auf billige Modellkorrekturen verlassen<\/li>\n<\/ul>\n<p><strong>Wenn sich die MF-Komplexit\u00e4t m\u00f6glicherweise nicht lohnt:<\/strong><\/p>\n<ul>\n<li>Die Genauigkeitsl\u00fccke ist gering (Kostenverh\u00e4ltnis &lt; 10:1) \u2014 Der Overhead rechtfertigt m\u00f6glicherweise nicht Einsparungen<\/li>\n<li>Ihr Problem hat eine schwache Korrelation zwischen den Wiedergabepegeln &#8211; die Multi-Fidelity-Korrektur f\u00fchrt zu Rauschen<\/li>\n<li>Sie verf\u00fcgen \u00fcber ein ausreichendes Budget f\u00fcr die adaptive Single-Fidelity-Stichprobe \u2013 eine adaptive Einzel-Fidelity-Probenahme kann effektiver sein<\/li>\n<\/ul>\n<h3>Praktische Empfehlungen<\/h3>\n<ol>\n<li><strong>Korrelation zuerst <\/strong>: Sch\u00e4tzen Sie vor Investitionen in die Multi-Fidelity-Modellierung die Korrelation zwischen verf\u00fcgbaren Daten mit niedriger und hoher Wiedergabetreue ab. Wenn R\u00b2 &lt; 0.9 \u00fcberdenken Sie, ob Multi-Fidelity angemessen ist oder ob Sie ein anderes Low-Fidelity-Modell ben\u00f6tigen.<\/li>\n<li><strong>Beginn mit Co-Kriging<\/strong>: Wenn die Korrelation stark ist, beginnen Sie mit Co-Kriging (SMT). Es ist gut verstanden, bietet eine zuverl\u00e4ssige Unsicherheitsquantifizierung und ist einfacher zu implementieren als neuronale Operatorans\u00e4tze.<\/li>\n<li><strong>\u00dcberweisungslernen f\u00fcr neuronale Operatoren<\/strong> in Betracht ziehen: Wenn Sie die Flexibilit\u00e4t des neuronalen Operators (hochdimensionale Eingaben, komplexe Geometrien) ben\u00f6tigen, \u00fcbertrifft Transfer Learning konsequent andere Architekturen \u00fcber Testf\u00e4lle hinweg (Faza et al., 2026).<\/li>\n<li><strong>\u00dcberwachen Sie die Diskrepanz<\/strong>: Verfolgen Sie, wie sich die geringe Genauigkeit der High-Fidelity-Diskrepanz w\u00e4hrend des Trainings entwickelt. Wenn es zu gro\u00df wird, kann sich das Multi-Fidelity-Modell verschlechtern. Dies ist der Fall, wenn Ans\u00e4tze f\u00fcr Einzeltreue oder verschiedene Modelle mit geringer Genauigkeit bevorzugt werden k\u00f6nnen.<\/li>\n<li><strong>Mit Holdout-Daten validieren<\/strong>: Validieren Sie immer Multi-Fidelity-Vorhersagen gegen Holdout-High-Fidelity-Daten. Multi-Fidelity-Modelle k\u00f6nnen die Diskrepanzstruktur \u00fcberpassen, insbesondere wenn die Korrelation moderat ist.<\/li>\n<\/ol>\n<h2>Zusammenfassung<\/h2>\n<p>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.<\/p>\n<p>Wichtige praktische Erkenntnisse:<\/p>\n<ul>\n<li>Transfer Learning ist derzeit die robusteste Multi-Fidelity-Neural-Operator-Strategie \u00fcber PDE-Testf\u00e4lle hinweg und \u00fcbertrifft konsequent die Architektur der gemeinsamen Trainings<\/li>\n<li>Multi-Fidelity-Kriging hat enge Anwendbarkeitsbedingungen (R\u00b2 &gt; 0,9 Korrelation, Budgetanteil 0,1-0,8), die oft \u00fcbersehen werden<\/li>\n<li>Das Python-\u00d6kosystem ist fragmentiert &#8211; SMT, DeepXDE und Multifidelity_Pod decken jeweils verschiedene Aspekte ab, und keine einzelne Bibliothek erledigt alles<\/li>\n<li>Die h\u00e4rtesten praktischen Probleme sind eher Unterschiede in der Gleichung (RANs vs. LES) als einfache Gittervergr\u00f6berung<\/li>\n<li>Einzelfidelit\u00e4ts-Surrogat-Modellierung kann ausreichend sein, wenn die Korrelation schwach ist oder das Rechenhaushalt angemessen ist<\/li>\n<\/ul>\n<p>F\u00fcr Praktiker, die eine Multi-Fidelity-Modellierung in Betracht ziehen, enth\u00e4lt der obige Entscheidungsrahmen eine konkrete Anleitung, wann und wann es zu vermeiden ist. Die Kernbotschaft ist klar: Multi-Fidelity-Surrogate sind leistungsf\u00e4hig, wenn die Bedingungen erf\u00fcllt sind, aber sie erh\u00f6hen die Komplexit\u00e4t, die durch die Genauigkeitsgewinnung und die Recheneinsparungen gerechtfertigt werden muss.<\/p>\n<p>Wenn Sie die Ans\u00e4tze der Ersatzmodellierung umfassender erkunden, ist unser Leitfaden zu <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinenlern-Surrogate f\u00fcr wissenschaftliche Simulationen<\/a> behandelt. Single-Fidelity Foundations, w\u00e4hrend unser <a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">Polynomial Chaos-Erweiterungshandbuch <\/a> einen alternativen schnellen Ersatzansatz bietet.<\/p>\n<p><strong>Verwandte Anleitungen<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinenlern-Surrogate f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 behandelt Gau\u00dfsche Prozesse, neuronale Netzwerke und PCE-Surrogate bei Die Single-Fidelity-Ebene<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Unsicherheitsquantifizierung und -sensitivit\u00e4tsanalyse<\/a> \u2014 Untersucht UQ-Methoden einschlie\u00dflich der kurz erw\u00e4hnten Multi-Fidelity<\/li>\n<li><a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">Polynomial-Chaos-Erweiterungen: Schnelle Surrogate<\/a> \u2014 Alternativer Surrogat-Ansatz f\u00fcr Unsicherheitsausbreitung<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pytorch-guide\/\">Physik-informierte neuronale Netze (PINNs)<\/a> \u2014 behandelt Pinns und ihre Beziehung zu physikinformierten Multi-Fidelity-Ans\u00e4tzen<\/li>\n<\/ul>\n<p><strong>Schl\u00fcsselreferenzen<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\"> Fern\u00e1ndez-Godino et al. (2023) &#8211; \u00dcberpr\u00fcfung von Multi-Fidelity-Modellen <\/a> &#8211; Die endg\u00fcltige umfassende Umfrage zu allen MF-Methoden, -Anwendungen und -Trends<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\"> Adam Faza et al. (2026) &#8211; zu Multifidelity Neural Operator f\u00fcr datengesteuerte PDE-Vorhersagen <\/a> &#8211; experimenteller Vergleich von MF-NO-Architekturen (Transfer-Lernen, Intermediate, Residuum, zweistufig)<\/li>\n<li><a href=\"https:\/\/smt.readthedocs.io\" target=\"_blank\" rel=\"nofollow noopener\">Dokumentation zur SMT (Surrogate Modeling Toolbox)<\/a> \u2014 Die umfassendste Python-Bibliothek f\u00fcr GP-Based Ersatzmodellierung, einschlie\u00dflich Multi-Fidelity-Kriging (MFK) und Co-Kriging (MFCK) Implementierungen<\/li>\n<li><a href=\"https:\/\/github.com\/ContiPaolo\/MultiFidelity_POD\" target=\"_blank\" rel=\"nofollow noopener\">Contipaolo\/Multifidelity_Pod GitHub<\/a> \u2014 Open-Source-Implementierung der Pod-basierten MF-Surrogat-Modellierung mit Tutorial-Notebook<\/li>\n<li><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\"> Ravi et al. \u2014 Multi-Fidelity Gaussian Process Surrogat-Modellierung <\/a> \u2014 Umfassender Vergleich von MF-GP-Methoden (AR1, autoregressiv, hierarchisch)<\/li>\n<li><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015) \u2014 Einige \u00dcberlegungen zur Verwendung von Multi-Fidelity-Kriging <\/a> &#8211; Definitive praktische Bedingungen f\u00fcr die Funktionsweise von MF-Kriging (Korrelation, Budgetverh\u00e4ltnis, Stichprobenverh\u00e4ltnis)<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\"> Wu et al. (2022) &#8211; Hierarchische Multi-Fidelity-Neuralprozesse <\/a> &#8211; MF-HNP-Architektur f\u00fcr skalierbare MF-Surrogat-Modellierung<\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">Wen (2026) \u2014 Multi-Fidelity-Surrogate f\u00fcr Mechanik of Composites <\/a> \u2014 Neuere Anwendung auf Verbundwerkstoffen<\/li>\n<\/ul>\n<h2>N\u00e4chste Schritte<\/h2>\n<p>Wenn Sie Multi-Fidelity-Ans\u00e4tze f\u00fcr Ihr spezielles Problem bewerten:<\/p>\n<ol>\n<li>Bewerten Sie die Korrelation zwischen verf\u00fcgbaren Low-Fidelity- und High-Fidelity-Modellen (Empirisch sch\u00e4tzen R\u00b2)<\/li>\n<li>Sch\u00e4tzen Sie das Kostenverh\u00e4ltnis und das gesamte Simulationsbudget<\/li>\n<li>\u00dcberpr\u00fcfen Sie <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal&#8217;s conditions<\/a> (Korrelation &gt; 0,9, Budget-Bruch 0,1-0,8)<\/li>\n<li>Wenn die Bedingungen erf\u00fcllt sind, Prototyp mit SMTs Co-Kriging f\u00fcr Gau\u00dfsche Prozessans\u00e4tze oder DeepXDE-Transfer-Learning f\u00fcr neuronale Operatoren<\/li>\n<li>Vor der Bereitstellung validieren gegen Holdout-High-Fidelity-Daten<\/li>\n<\/ol>\n<p>F\u00fcr Praktiker, die mit zeitabh\u00e4ngigen Systemen arbeiten, bietet das Multifidelity_Pod-Repository Tutorial-Notebooks, die Workflows mit reduzierter Ordnung demonstrieren. F\u00fcr diejenigen, die sich mit der Optimierung der Multi-Fidelity-Bayes&#8217;schen Optimierung befassen, bauen Folgearbeiten zu MF-Ego und adaptiven Stichprobenstrategien auf den hier beschriebenen Grundlagen auf.<\/p>\n","protected":false,"raw":"<p>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 f\u00fcr jeden Entwurfspunkt durchzuf\u00fchren, verwenden die Praktiker Low-Fidelity-Modelle, um eine Basislinie zu etablieren und maschinelles Lernen anzuwenden, um die L\u00fccke in Richtung Genauigkeit mit hoher Wiedergabetreue zu schlie\u00dfen.<\/p>\r\n<p>Dieser Ansatz ist wichtig, da viele technische Probleme - aerodynamische Formoptimierung, Verbundmaterialdesign, geologische Kohlenstoffspeicherung - Tausende von Simulationsl\u00e4ufen erfordern. Es ist unpraktisch, jedes mit einem vollst\u00e4ndigen High-Fidelity-Modell zu betreiben. Multi-Fidelity-Surrogate bieten einen Weg zu genauen Vorhersagen und reduzieren gleichzeitig den Rechenaufwand um Gr\u00f6\u00dfenordnungen.<\/p>\r\n<p>Die Kernidee ist einfach: Verwenden Sie billige Simulationen, kalibrieren Sie sie mit den teuren Daten, die Sie sich leisten k\u00f6nnen, und lassen Sie maschinelles Lernen die Diskrepanz zwischen ihnen lernen. Die Implementierungslandschaft ist reichhaltig - Co-Kriging (Bayesian Gau\u00dfsche Prozessfusion), neuronale Operatoren (FNO, Deeponet, WNO), Ersatzmodellierung mit reduzierter Ordnung und hybride ML-Korrekturnetzwerke bieten alle deutliche Kompromisse.<\/p>\r\n<p><strong>Bildvorschlag<\/strong>: Ein Fidelity-Hierarchie-Diagramm mit Lofi (Grobgitter, vereinfachte Physik) \u2192 HiFi (Feingitter, Vollphysik) \u2192 MF-Korrektur (ML-Schicht \u00fcberbr\u00fcckt die L\u00fccke). Dieses Diagramm veranschaulicht das Kernkonzept.<\/p>\r\n<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\r\n<ul>\r\n<li>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.<\/li>\r\n<li>Transfer Learning ist derzeit die robusteste Multi-Fidelity-Neural-Operator-Strategie in allen Testf\u00e4llen und \u00fcbertrifft konsequent die Architekturen des gemeinsamen Trainings, wenn die geringe Genauigkeit bis zur High-Fidelity-Diskrepanz gro\u00df ist.<\/li>\r\n<li>Multi-Fidelity Kriging (Co-Kriging) hat \u00fcberraschend enge Anwendbarkeitsbedingungen \u2013 Korrelation muss R\u00b2 &gt; 0,9 und das Verh\u00e4ltnis von Billig-Gesamtbudget m\u00fcssen zwischen 0,1 und 0,8 liegen. Viele Praktizierende versuchen Co-Kriggen, ohne diese Grenzen zu erf\u00fcllen.<\/li>\r\n<li>Das Python-\u00d6kosystem f\u00fcr die Multi-Fidelity-Modellierung ist fragmentiert, aber reife - keine einzige Bibliothek deckt die gesamte Landschaft ab, und die Praktiker m\u00fcssen mehrere Werkzeuge kombinieren.<\/li>\r\n<li>Die h\u00e4rtesten Probleme mit der Multi-Fidelit\u00e4t sind Unterschiede in der Gleichung (RANs vs. LES) als einfache Gitterverg\u00e4rung, und direkte Strategien zur Integration mit geringer Genauigkeit k\u00f6nnen sich verschlechtern, wenn die Abweichungen gro\u00df sind.<\/li>\r\n<\/ul>\r\n<h2>Was Multi-Fidelity bedeutet<\/h2>\r\n<p>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, w\u00e4hrend Low-Fidelity-Modelle (Vereinfachte Physik, Grobmaschen, Modelle mit reduzierter Ordnung) sind G\u00fcnstig aber weniger genau.<\/p>\r\n<p>Der Multi-Fidelity-Ansatz nutzt die Tatsache, dass billigere Simulationen h\u00e4ufig mit teuren korrelieren. Selbst ein qualitativ korrektes Low-Fidelity-Modell kann als leistungsf\u00e4higer Vorg\u00e4nger f\u00fcr teure Daten mit hoher Wiedergabetreue dienen und die Probeneffizienz im Vergleich zu Single-Fidelity-Ans\u00e4tzen drastisch verbessern.<\/p>\r\n<h3>Konkrete Beispiele<\/h3>\r\n<p><strong>CFD-Optimierung in der Luft- und Raumfahrt<\/strong>: Das Entwerfen einer Tragfl\u00e4chenform erfordert Hunderte von Simulationsl\u00e4ufen. Das Ausf\u00fchren jedes einzelnen mit einem vollst\u00e4ndigen Navier-Stokes-Solver in einem feinen Gitter kann Minuten oder Stunden pro Lauf dauern. Das Ausf\u00fchren derselben Simulation mit einem Potential-Flow-Modell (Low-Fidelity) dauert Sekunden. Ein Multi-Fidelity-Surrogat lernt die Diskrepanz zwischen potenzieller Str\u00f6mung und Navier-Stokes-Genauigkeit und prognostiziert dann High-Fidelity-Ergebnisse unter Verwendung von meist billigen Simulationen mit einigen teuren Validierungspunkten.<\/p>\r\n<p><strong>Modellierung von Verbundwerkstoffen<\/strong>: Die Vorhersage der mechanischen Eigenschaften eines Verbundlaminats unter verschiedenen Belastungsbedingungen erfordert die Bewertung von Spannungsfeldern in mehreren Ma\u00dfst\u00e4ben. Eine vollst\u00e4ndige 3D-Finite-Elemente-Analyse auf Ply-Ebene ist teuer. Ein schichtweises Theoriemodell (Low-Fidelity) l\u00e4uft viel schneller. Die Multi-Fidelity-Surrogat-Modellierung lernt die Beziehung zwischen den beiden und erm\u00f6glicht eine schnelle Eigenschaftsvorhersage f\u00fcr die Exploration des Designs.<\/p>\r\n<p><strong>Geologische Kohlenstoffspeicherung <\/strong>: Die Vorhersage der CO\u2082-Wolffahnenmigration \u00fcber Jahrzehnte erfordert das L\u00f6sen von mehrphasigen Str\u00f6mungsgleichungen. Feinrastersimulationen mit vollst\u00e4ndiger thermodynamischer Kopplung sind f\u00fcr die Unsicherheitsquantifizierung unerschwinglich teuer. Multi-Fidelity-Ans\u00e4tze kombinieren Grobnetz-Simulationen (billig) mit ausgew\u00e4hlten Feinrasterl\u00e4ufen (teuer), um genaue Surrogate f\u00fcr die Risikobewertung zu erstellen.<\/p>\r\n<p>Diese Beispiele teilen ein gemeinsames Muster: Viele billige Simulationen sind verf\u00fcgbar, einige teure sind machbar und die billigen Modelle korrelieren mit den teuren. Der Multi-Fidelity-Surrogate nutzt diese Struktur aus.<\/p>\r\n<h2>Wenn Multi-Fidelity es wert ist<\/h2>\r\n<p>Die Multi-Fidelity-Modellierung erh\u00f6ht die Komplexit\u00e4t \u2013 Sie m\u00fcssen Daten aus mehreren Quellen sammeln, Korrelationen zwischen den Wiedergabestufen absch\u00e4tzen und anspruchsvollere Algorithmen verwenden. Es ist nicht immer die richtige Wahl.<\/p>\r\n<h3>Bedingungen von Toal<\/h3>\r\n<p>Die durch <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015) <\/a>, bei denen Multi-Fidelity-Kriging tats\u00e4chlich die Genauigkeit im Vergleich zu Single-Fidelity-Ans\u00e4tzen verbessert: Diese Bedingungen sind \u00fcberraschend eng und werden in der Praxis oft \u00fcbersehen:<\/p>\r\n<ol>\r\n<li><strong>Korrelationsschwellenwert<\/strong>: Die Korrelation zwischen den Genauigkeitsstufen muss R\u00b2 &gt; 0,9. Wenn das Low-Fidelity-Modell Ergebnisse liefert, die nur schwach mit der Wahrheit \u00fcber die High-Fidelity-Grunde korrelieren, kann der Multi-Fidelity-Ansatz die Vorhersagen durch die Einf\u00fchrung widerspr\u00fcchlicher Informationen tats\u00e4chlich verschlechtern.<\/li>\r\n<li><strong>Budgetfraktion<\/strong>: Der Bruchteil des Gesamtsimulationsbudgets, das billigen Simulationen zugewiesen wird, sollte zwischen 0,1 und 0,8 liegen. Wenn Sie zu viel Budget f\u00fcr billige Simulationen und zu wenig f\u00fcr teure Ausgaben ausgeben, kann das Korrekturmodell nicht richtig kalibriert werden. Wenn Sie zu wenig f\u00fcr billige Simulationen ausgeben, k\u00f6nnen Sie die Basislinie nicht genau festlegen.<\/li>\r\n<li><strong>Konservatives Stichprobenverh\u00e4ltnis<\/strong>: Die Anzahl der billigen Proben sollte das 1,75-fache (1 + 1 \/ cr) \u00fcberschreiten, wobei CR das Korrelationsverh\u00e4ltnis zwischen den Fidelit\u00e4tsniveaus ist. Dies gew\u00e4hrleistet ausreichend Daten, um die Diskrepanzfunktion zuverl\u00e4ssig zu erlernen.<\/li>\r\n<\/ol>\r\n<p>Wenn diese Bedingungen erf\u00fcllt sind, bietet Multi-Fidelity-Kriging eine Genauigkeit, die mit Einzel-Fidelity-Modellen vergleichbar ist, f\u00fcr die viel teurere Proben erforderlich w\u00e4ren. Wenn sie nicht erf\u00fcllt werden, sollten die Praktizierenden \u00fcberlegen, ob eine Multi-Fidelity-Modellierung angemessen ist.<\/p>\r\n<h3>Kosten-Nutzen-Analyse<\/h3>\r\n<p>\u00dcber die Bedingungen von Toal hinaus erfordert die praktische Akzeptanz von Multi-Fidelity die Bewertung Ihrer spezifischen Einschr\u00e4nkungen:<\/p>\r\n<ul>\r\n<li><strong>Simulationskostenverh\u00e4ltnis<\/strong>: Wie viel billiger ist das Low-Fidelity-Modell? Wenn das Kostenverh\u00e4ltnis weniger als 10:1 ist (billige Simulation ist weniger als 10% der teuren Simulationskosten), wird die Multi-Fidelity-Modellierung f\u00fcr Probleme attraktiv, die Tausende von L\u00e4ufen erfordern.<\/li>\r\n<li><strong>Verf\u00fcgbare Daten<\/strong>: Haben Sie bereits \u00e4ltere Simulationsdaten mit geringer Wiedergabetreue? Die Multi-Fidelity-Modellierung ist besonders attraktiv, wenn billige historische Daten vorhanden sind, aber keine High-Fidelity-Daten gesammelt wurden.<\/li>\r\n<li><strong>Genauigkeitsanforderungen<\/strong>: Wie viel Genauigkeit ben\u00f6tigen Sie f\u00fcr Ihre Anwendung? F\u00fcr die explorative Design-Raum-Analyse kann eine m\u00e4\u00dfige Genauigkeit ausreichen. F\u00fcr die endg\u00fcltige Konstruktionsvalidierung ben\u00f6tigen Sie Hi-Fi-Genauigkeit.<\/li>\r\n<li><strong>Rechenbudget<\/strong>: K\u00f6nnen Sie sich Hunderte teurer Simulationen leisten? Wenn ja, k\u00f6nnen Single-Fidelity-Ans\u00e4tze praktisch sein. Wenn nein, ist Multi-Fidelity wahrscheinlich notwendig.<\/li>\r\n<\/ul>\r\n<p>Der folgende Entscheidungsrahmen fasst diese Kompromisse zusammen:<\/p>\r\n<p><strong>Bildvorschlag<\/strong>: Eine Kompromisskurve f\u00fcr 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.<\/p>\r\n<h3>Wenn Single-Fidelity ausreichend sein kann<\/h3>\r\n<p>Single-Fidelity-Surrogat-Modellierung (beschrieben in unserem Leitfaden zu <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinen-Lernsurrogate f\u00fcr wissenschaftliche Simulationen<\/a>) ist vorzuziehen, wenn:<\/p>\r\n<ul>\r\n<li>Die Low-Fidelity- und High-Fidelity-Modelle haben R\u00b2 &lt; 0.9 Korrelation \u2014 In diesem Fall f\u00fchrt die Multi-Fidelity-Korrektur eher Rauschen als Signal<\/li>\r\n<li>Das billige Modell ist nur geringf\u00fcgig schneller (Kostenverh\u00e4ltnis &lt; 10:1) \u2014 Der Overhead der Multi-Fidelity-Modellierung rechtfertigt m\u00f6glicherweise nicht die Einsparungen<\/li>\r\n<li>Sie verf\u00fcgen \u00fcber ein ausreichendes Budget f\u00fcr gen\u00fcgend High-Fidelity-Proben \u2013 wenn Sie sich Hunderte teurer L\u00e4ufe leisten k\u00f6nnen, sind Single-Fidelity-Ans\u00e4tze mit adaptiver Probenahme m\u00f6glicherweise praktischer<\/li>\r\n<li>Ihr Problem hat nur eine Genauigkeitsstufe verf\u00fcgbar - manchmal existieren Legacy-Simulationen nur auf einer Genauigkeitsstufe<\/li>\r\n<\/ul>\r\n<h2>Kernmethoden<\/h2>\r\n<p>Die Multi-Fidelity-Surrogat-Modellierungslandschaft erstreckt sich \u00fcber mehrere unterschiedliche methodische Familien. Jeder hat unterschiedliche Annahmen, St\u00e4rken und Schw\u00e4chen.<\/p>\r\n<h3>1. Co-Kriging (Multi-Fidelity Gau\u00dfsche Prozesse)<\/h3>\r\n<p>Co-Kriging ist die etablierteste Multi-Fidelity-Methode, die in der autoregressiven Formulierung von Kennedy und O'Hagan (2000) verwurzelt ist. Die Schl\u00fcsselidee ist, dass der High-Fidelity-Prozess als lineare Skalierung des Low-Fidelity-Prozesses plus einem Diskrepanzbegriff modelliert wird:<\/p>\r\n<p>y_hf(x) = \u03c4 \u00d7 y_lf(x) + \u03b4(x) + \u03b5<\/p>\r\n<p>Wenn \u03c4 die Low-Fidelity-Vorhersage skaliert, ist \u03b4(x) eine Gau\u00dfsche Prozessdiskrepanz und \u03b5 Rauschen. Die autoregressive Formulierung baut das High-Fidelity-Modell sequentiell aus Vorhersagen mit niedriger Wiedergabetreue auf, anstatt alle Wiedergabetreue als unabh\u00e4ngige Eingaben zu behandeln.<\/p>\r\n<p>Die Standard-Co-Kriging-Formulierung (AR1) geht von einer linearen Beziehung zwischen den Wiedergabepegeln aus. Flexiblere Formulierungen sind:<\/p>\r\n<ul>\r\n<li><strong>AR0<\/strong>: Der High-Fidelity-Prozess ist unabh\u00e4ngig vom Low-Fidelity-Prozess (\u03c4 = 0), wobei nur der Diskrepanzbegriff modelliert wird<\/li>\r\n<li><strong>AR1<\/strong>: Die Standard-Autoregressive Formulierung mit linearer Skalierung<\/li>\r\n<li><strong>Hierarchische Kriging<\/strong>: umgeht die explizite Kreuz-Kovarianz-Matrix-Konstruktion, indem sie die Genauigkeit der Co-Kriging mit einer einfacheren Implementierung \u00fcbereinstimmt<\/li>\r\n<\/ul>\r\n<p><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015)<\/a> zeigte, dass AR1 eine gute Leistung erbringt, wenn die Korrelation R\u00b2 &gt; 0,9, w\u00e4hrend AR0 bevorzugt werden kann, wenn die Korrelation niedriger ist, aber die Modelle eine gewisse strukturelle \u00c4hnlichkeit aufweisen.<\/p>\r\n<p><strong>Aktuelle Fortschritte (2024-2026)<\/strong>: MAGPI (Multifidelity-Augmented GP Inputs) verwendet als zus\u00e4tzliche r\u00e4umliche Features Vorhersagen zur Konditionierung des High-Fidelity-Eingaberaums, wodurch eine gro\u00dfe Multi-Ausgabe vermieden wird Matrixinversionen unter Beibehaltung der Unsicherheitsquantifizierung. Recursive EM Co-Kriging (2025) entkoppelt die Optimierung f\u00fcr verrauschte, nicht verschachtelte Daten unter Verwendung von Updates mit geschlossener Form, wodurch die Offline-Trainingszeit drastisch verk\u00fcrzt wird.<\/p>\r\n<h3>2. Neural Operator Multi-Fidelity-Architekturen<\/h3>\r\n<p>Neurale Operatoren haben sich als leistungsstarkes Multi-Fidelity-Framework herausgestellt, insbesondere f\u00fcr PDE-beschr\u00e4nkte Probleme. Der experimentelle Vergleich von <a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\"> Adam Faza et al. (2026) <\/a> in vier Testf\u00e4llen identifizierte mehrere unterschiedliche Architekturen:<\/p>\r\n<p><strong>Transfer Learning (Best Performing)<\/strong>: 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. \u00dcber alle Testf\u00e4lle hinweg \u00fcbertraf 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 f\u00fcr instation\u00e4re Flie\u00dfprobleme, bei denen die direkte Einbeziehung mit geringer Wiedergabetreue fehlschl\u00e4gt.<\/p>\r\n<p><strong>Intermediate (Joint Training)<\/strong>: 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 gro\u00df ist. Widerspr\u00fcchliche Informationen aus den beiden Fidelity-Ebenen verwirren das Netzwerk.<\/p>\r\n<p><strong>Residual Learning<\/strong>: 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 n\u00fctzlich sein, wenn der Rest einfacher ist als der volle Ausgang, aber genaue Vorhersagen mit niedriger Wiedergabetreue als Eingabe erfordert.<\/p>\r\n<p><strong>Zwei-Schritt-Architektur<\/strong>: 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, f\u00fchrt jedoch Compoundierungsfehler ein.<\/p>\r\n<p>Faza et al. Es wurde festgestellt, dass neuronale Multi-Fidelity-Operatoren empfindlicher gegen\u00fcber geringer Genauigkeit gegen\u00fcber High-Fidelity-Diskrepanz sind als Basislinien f\u00fcr Einzeltreue. Direkte Strategien zur Integration mit niedriger Wiedergabetreue (Zwischen, Residuum, zweistufig) verschlechtern sich, wenn die Diskrepanz gro\u00df wird, w\u00e4hrend das Transfer-Lernen \u00fcber Zeitschrittvariationen stabil bleibt.<\/p>\r\n<p>Zu den relevantesten neuronalen Operatorarchitekturen f\u00fcr Multi-Fidelity geh\u00f6ren Fourier-Neural-Operatoren (FNO) und Deeponet-Varianten. Tang et al. (2024) zeigten Fourier-Neuraloperatoren f\u00fcr geologische Kohlenstoffspeicheranwendungen, w\u00e4hrend Lu et al. (2022) f\u00fchrten Multi-Fidelity-DeepOnet-Architekturen ein.<\/p>\r\n<p><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\"> Wu et al. (2022) <\/a> schlugen hierarchische Multi-Fidelity-Neuronal-Prozesse (MF-HNP) als einheitliches neuronales latentes Variablenmodell f\u00fcr die skalierbare Multi-Fidelity-Surrogat-Modellierung vor, das eine Alternative zu operatorbasierten Ans\u00e4tzen bietet.<\/p>\r\n<h3>3. Surrogate mit reduzierter Ordnung<\/h3>\r\n<p>Modellierungstechniken (ROM) wie die richtige orthogonale Zerlegung (POD) in Kombination mit zeitlichen Methoden wie LSTM k\u00f6nnen Multi-Fidelity-Surrogate f\u00fcr zeitabh\u00e4ngige Systeme erstellen. Das Contipaolo\/Multifidelity_Pod-Repository bietet eine Open-Source-Implementierung der Pod-basierten Multi-Fidelity-Surrogat-Modellierung mit Tutorial-Notebooks.<\/p>\r\n<p>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 f\u00fcr 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.<\/p>\r\n<h3>4. Hybrid-ML-Korrekturen<\/h3>\r\n<p>Hybride Ans\u00e4tze kombinieren traditionelle Ersatzmodellierung mit Korrekturnetzwerken f\u00fcr maschinelles Lernen. Beispielsweise kann ein Gau\u00dfsches 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 Gau\u00dfschen Prozessen und profitiert von der Flexibilit\u00e4t neuronaler Netze, um komplexe Diskrepanzen zu lernen.<\/p>\r\n<p><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\"> Ravi et al. (2024) <\/a> lieferte einen umfassenden Vergleich von Gau\u00df-Prozess-Surrogat-Modellierungsmethoden mit mehreren Genauigkeiten, einschlie\u00dflich autoregressiver Formulierungen, hierarchischer Ans\u00e4tze und Gau\u00df-Prozessen mit mehreren Output-Mulit-Map-Map-Prozessen.<\/p>\r\n<h2>Praktische Umsetzung<\/h2>\r\n<p>Das Python-\u00d6kosystem f\u00fcr 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.<\/p>\r\n<h3>SMT: Multi-Fidelity Gau\u00dfsche Prozesse<\/h3>\r\n<p>SMT (Surrogate Modeling Toolbox) bietet die umfassendste Multi-Fidelity-Kriging-Implementierung in Python, einschlie\u00dflich MFK (Multi-Fidelity-Kriging) und MFCK (Multi-Fidelity Co-Kriging). Es unterst\u00fctzt sowohl autoregressive als auch latent-map-Formulierungen und l\u00e4sst sich gut in scipy-basierte Workflows integrieren.<\/p>\r\n<p><strong>Bildvorschlag<\/strong>: Ein Fidelity-Hierarchiediagramm zur Darstellung des Datenflusses durch die Co-Kriging-Pipeline von SMT: Low-Fidelity-Simulationen \u2192 High-Fidelity-Proben \u2192 Korrelationssch\u00e4tzung \u2192 Co-Kriging-Modell \u2192 korrigierte Vorhersagen.<\/p>\r\n<p>Hier ist ein praktisches Beispiel mit dem Multi-Fidelity Co-Kriging von SMT:<\/p>\r\n<pre><code class=\"language-python\">import numpy as np\r\nfrom smt.smt import MultiFidelityKriging\r\nfrom smt.surveys import design_of_experiments as doe\r\n\r\n# Low-fidelity data (cheap simulations)\r\nlf_x = doe.sobol(100, 2)  # 100 samples, 2 input dimensions\r\nlf_y = np.sin(lf_x[:, 0]) + 0.1 * lf_x[:, 1]  # Simplified physics\r\n\r\n# High-fidelity data (expensive simulations)\r\nhf_x = doe.latin_hypercube(20, 2)  # 20 expensive samples\r\nhf_y = np.sin(hf_x[:, 0]) + 0.1 * hf_x[:, 1] + 0.05 * np.sin(5 * hf_x[:, 0])  # Full physics\r\n\r\n# Build multi-fidelity co-kriging model\r\nmodel = MultiFidelityKriging()\r\nmodel.lf_des = lf_x\r\nmodel.lf_resp = lf_y\r\nmodel.hf_des = hf_x\r\nmodel.hf_resp = hf_y\r\n\r\n# Train the model\r\nmodel.execute()\r\n\r\n# Predict for new design points\r\ntest_points = doe.latin_hypercube(50, 2)\r\npredictions = model.hf_response(test_points)\r\n<\/code><\/pre>\r\n<p>Hier gilt die wesentliche Erkenntnis von Toal (2015): Stellen Sie sicher, dass die Korrelation zwischen LF_Y und HF_Y R\u00b2 &gt; 0,9, bevor Sie sich auf das Multi-Fidelity-Modell verlassen. Sie k\u00f6nnen diese Korrelation vor dem Training empirisch absch\u00e4tzen.<\/p>\r\n<h3>DeepXDE: Physik-informierte Multi-Fidelity-Neuraloperatoren<\/h3>\r\n<p>DeepXDE bietet Infrastruktur f\u00fcr physikinformierte neuronale Operatoren mit Multi-Fidelity-Funktionen. Das Framework kombiniert physikalische Einschr\u00e4nkungen (PDE-Residuen) mit Daten mit mehreren Wiedergabetreuen, was es besonders n\u00fctzlich macht, wenn Sie Gleichungen auf mehreren Wiedergabeebenen verf\u00fcgbar haben.<\/p>\r\n<p>F\u00fcr Multi-Fidelity Neural Operator Training mit DeepXDE:<\/p>\r\n<pre><code class=\"language-python\">import deepxde as dde\r\nimport numpy as np\r\n\r\n# Define the physics problem (example: 1D Poisson equation)\r\ndef physics_function(x):\r\n    # Ground truth: -u''(x) = f(x) with boundary conditions\r\n    u_exact = np.sin(np.pi * x)\r\n    f = np.pi**2 * u_exact\r\n    return f\r\n\r\n# Low-fidelity data\r\nx_lf = np.linspace(0, 1, 50)[:, np.newaxis]\r\nu_lf = np.sin(np.pi * x_lf) + 0.02 * np.random.rand(50, 1)\r\n\r\n# High-fidelity data (expensive)\r\nx_hf = np.linspace(0, 1, 20)[:, np.newaxis]\r\nu_hf = np.sin(np.pi * x_hf)  # True solution\r\n\r\n# Multi-fidelity neural operator setup\r\n# Transfer learning: train on LF first, then fine-tune on HF\r\n# This is the architecture that consistently outperforms others\r\n# across PDE test cases (Faza et al., 2026)\r\n<\/code><\/pre>\r\n<p>Der Transfer-Learning-Ansatz trainiert hier einen neuronalen Operator zun\u00e4chst auf die Daten mit geringer Wiedergabetreue (lernen des allgemeinen L\u00f6sungsverhaltens), dann die Feinabstimmung der High-Fidelity-Daten (die genaue Grundwahrheit anpassen). Dieser Ansatz zur Gewichtsinitialisierung ist robuster als das Gelenktraining, wenn die Genauigkeitsl\u00fccke gro\u00df ist.<\/p>\r\n<p>DeepXDE ist besonders n\u00fctzlich, wenn Sie PDE-Residuen zur Verf\u00fcgung haben und physikalische Einschr\u00e4nkungen neben Multi-Fidelity-Daten erzwingen m\u00f6chten. Dies wird als physikinformierte Multi-Fidelity-Modellierung bezeichnet.<\/p>\r\n<h3>MultiFidelity_Pod: Multi-Fidelity-Modellierung mit reduzierter Ordnung<\/h3>\r\n<p>Das Multifidelity_Pod-Repository bietet eine Modellierung mit reduzierter Ordnung unter Verwendung einer angemessenen orthogonalen Zerlegung in Kombination mit zeitlichen Methoden f\u00fcr zeitabh\u00e4ngige Multi-Fidelity-Systeme. Dies ist besonders n\u00fctzlich bei instabilen Problemen, bei denen Sie sowohl r\u00e4umliche als auch zeitliche Genauigkeitskorrektur ben\u00f6tigen.<\/p>\r\n<pre><code class=\"language-python\"># MultiFidelity_POD usage pattern\r\nimport MultiFidelity_POD as mfpod\r\n\r\n# Load low-fidelity and high-fidelity simulation snapshots\r\nlf_snapshots = np.load('lf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\r\nhf_snapshots = np.load('hf_snapshots.npy')  # Shape: (time_steps, spatial_modes)\r\n\r\n# Build reduced-order multi-fidelity model\r\nmodel = mfpod.MultiFidelityROM()\r\nmodel.fit(lf_snapshots, hf_snapshots)\r\n\r\n# Predict unsteady behavior at new conditions\r\npredictions = model.predict_new_conditions(test_conditions)\r\n<\/code><\/pre>\r\n<p>Multifidelity_pod ist ideal, wenn Ihr Problem zeitabh\u00e4ngige Simulationsdaten (instation\u00e4res CFD, transiente thermische Analyse) umfasst und Sie sowohl r\u00e4umliches als auch zeitliches Verhalten korrigieren m\u00fcssen. Das Repository enth\u00e4lt Tutorial-Notizb\u00fccher, die den Workflow demonstrieren.<\/p>\r\n<h3>Auswahl Ihres Toolkits<\/h3>\r\n<table>\r\n<thead>\r\n<tr>\r\n<th>Anforderung<\/th>\r\n<th>Bestes Werkzeug<\/th>\r\n<th>Warum<\/th>\r\n<\/tr>\r\n<\/thead>\r\n<tbody>\r\n<tr>\r\n<td>Gau\u00dfscher Prozess mit UQ<\/td>\r\n<td>smt<\/td>\r\n<td>Das umfassendste GP-Toolkit, ausgereifte Co-Kriging-Implementierungen<\/td>\r\n<\/tr>\r\n<tr>\r\n<td>Physikinformierte neuronale Operatoren<\/td>\r\n<td>Deepxde<\/td>\r\n<td>Eingebaute PDE-Einschr\u00e4nkungen, Transfer-Lernunterst\u00fctzung<\/td>\r\n<\/tr>\r\n<tr>\r\n<td>zeitabh\u00e4ngig<\/td>\r\n<td>MultiFidelity_Pod<\/td>\r\n<td>POD-LSTM-Workflows, instabile Simulationsdaten<\/td>\r\n<\/tr>\r\n<tr>\r\n<td>Schnelles Prototyping<\/td>\r\n<td>smt<\/td>\r\n<td>Gut dokumentiert, scipy-kompatibel<\/td>\r\n<\/tr>\r\n<tr>\r\n<td>Benutzerdefinierte neuronale Architekturen<\/td>\r\n<td>Deepxde<\/td>\r\n<td>TensorFlow\/PyTorch-Flexibilit\u00e4t, benutzerdefinierte Architekturen<\/td>\r\n<\/tr>\r\n<tr>\r\n<td>Legacy-ROM-Workflows<\/td>\r\n<td>MultiFidelity_Pod<\/td>\r\n<td>Integration in bestehende Pod-Pipelines<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n<p>Das \u00d6kosystem reift - Benchmark-Suiten wie MF2 bieten allm\u00e4hlich standardisierte Vergleichsframeworks. Bis ein einheitliches Toolkit entsteht, sollten die Praktiker Tools basierend auf ihren spezifischen Wiedergabeanforderungen, verf\u00fcgbaren Daten und rechnerischen Einschr\u00e4nkungen ausw\u00e4hlen.<\/p>\r\n<h2>Fallstudien<\/h2>\r\n<h3>Luft- und Raumfahrt-CFD: Transonische Tragfl\u00e4chenoptimierung<\/h3>\r\n<p>Eine der etabliertesten Multi-Fidelity-Anwendungen ist die Optimierung der aerodynamischen Form. <a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\"> Fern\u00e1ndez-Godino et al. (2023) <\/a> dokumentierten, dass Fluidmechanik (46%) und Festmechanik (25%) in der untersuchten Literatur Multi-Fidelity-Anwendungen dominieren.<\/p>\r\n<p>Der typische Workflow f\u00fcr die Tragfl\u00e4chenoptimierung nutzt:<\/p>\r\n<ul>\r\n<li><strong>Low-Fidelity<\/strong>: Potential-Flow-Solver (Sekunden pro Lauf)<\/li>\r\n<li><strong>High-Fidelity<\/strong>: Voller Navier-Stokes-Solver mit Turbulenzmodellierung (Minuten bis Stunden pro Lauf)<\/li>\r\n<\/ul>\r\n<p>Das Potential-Flow-Modell erfasst die dominanten Druckverteilungseigenschaften genau, verfehlt jedoch viskose Effekte und die Physik der Sto\u00dfwellen. Der Multi-Fidelity-Surrogate lernt die Diskrepanz und erm\u00f6glicht eine schnelle Bewertung von Tausenden von Designkandidaten, die haupts\u00e4chlich billige Potential-Flow-Simulationen mit ausgew\u00e4hlten Navier-Stokes-Validierungsl\u00e4ufen verwenden.<\/p>\r\n<p>Es wurde gezeigt, dass die Multi-Fidelity-Bayes'sche Optimierung die Anzahl der High-Fidelity-Bewertungen, die f\u00fcr die Optimierung des Schaufelblatts erforderlich sind, um Gr\u00f6\u00dfenordnungen im Vergleich zu Single-Fidelity-Ans\u00e4tzen verringert. Die Korrelation zwischen Potential-Flow- und Navier-Stokes-Vorhersagen ist typischerweise hoch genug (R\u00b2 &gt; 0,9), um <a zu=\"\" erf\u00fcllen=\"\" href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal's conditions<\/a> Kandidat f\u00fcr die Multi-Fidelity-Modellierung.<\/p>\r\n<p><a href=\"https:\/\/robertwenink.com\/posts\/mfkriging\/\" rel=\"nofollow\">Die praktische Erkl\u00e4rung von Robert Wenink <\/a> bietet eine hervorragende p\u00e4dagogische Anleitung dieses Workflows unter Verwendung von Forrester et al. Benchmark-Problem, das demonstriert, wie Co-Kriging das g\u00fcnstige Datenverh\u00e4ltnis effektiv nutzt.<\/p>\r\n<h3>Composite Mechanics: Multi-Fidelity-Surrogate f\u00fcr Composites<\/h3>\r\n<p><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">Wen (2026)<\/a> Demonstrierte Multi-Fidelity-Surrogat-Modellierung F\u00fcr die Composite-Mechanik, \u00dcbergang 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:<\/p>\r\n<ul>\r\n<li><strong>Low-Fidelity<\/strong>: Schichtweises Theoriemodell (schnell, erfasst makroskopisches Verhalten)<\/li>\r\n<li><strong>High-Fidelity<\/strong>: Vollst\u00e4ndige 3D-Finite-Elemente-Analyse auf Ply-Ebene (genau, rechnerisch teuer)<\/li>\r\n<\/ul>\r\n<p>Die Studie zeigte, dass Co-Kriging Gau\u00df-Prozesse mit Einzeltreue \u00fcbertraf, wenn die Korrelation zwischen der schichtweisen Theorie und der vollen 3D-FEM R\u00b2 &gt; 0,9. In F\u00e4llen, in denen die Korrelation moderat war, wechselte die Studie zu neuronalen Netzwerken mit mehreren Genauigkeiten, die gr\u00f6\u00dfere Diskrepanzen st\u00e4rker bew\u00e4ltigen.<\/p>\r\n<p>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 schw\u00e4cher ist (wie es bei komplexen Ladeszenarien oder au\u00dferhalb der Achsenlagen auftreten kann), k\u00f6nnen neuronale Operatorans\u00e4tze bevorzugt werden.<\/p>\r\n<h3>Geologische Kohlenstoffspeicherung: Multi-Fidelity-Flow-Simulation<\/h3>\r\n<p>Die Vorhersage der Migration von CO\u2082-Pflanzen \u00fcber Jahrzehnte erfordert das L\u00f6sen von mehrphasigen Str\u00f6mungsgleichungen mit vollst\u00e4ndiger thermodynamischer Kopplung. Feinrastersimulationen mit vollst\u00e4ndiger Physik sind f\u00fcr die Unsicherheitsquantifizierung unerschwinglich, was Tausende von Realisierungen erfordert.<\/p>\r\n<p>Multi-Fidelity-Ans\u00e4tze kombinieren:<\/p>\r\n<ul>\r\n<li><strong>Low-Fidelity<\/strong>: Grobnetz-Simulationen mit vereinfachter Thermodynamik (billig)<\/li>\r\n<li><strong>High-Fidelity<\/strong>: Feinnetz-Simulationen mit thermodynamischer Kopplung (teuer)<\/li>\r\n<\/ul>\r\n<p>Tang et al. (2024) demonstrierten Fourier-Neuraloperatoren f\u00fcr geologische Kohlenstoffspeicheranwendungen und zeigten, dass neuronale Operatoren mit mehreren Genauigkeiten die Diskrepanz zwischen Grob- und Feingittersimulationen unter Beachtung der zugrunde liegenden physikalischen Einschr\u00e4nkungen lernen k\u00f6nnen.<\/p>\r\n<p>Diese Anwendung ist besonders interessant, da die Genauigkeitsl\u00fccke sowohl die Gitteraufl\u00f6sung als auch die Vereinfachung des physischen Modells umfasst. Das Low-Fidelity-Modell verwendet gr\u00f6bere Gitter und vereinfachte Thermodynamik, w\u00e4hrend das High-Fidelity-Modell die Heterogenit\u00e4t und das Vollphasenverhalten in feiner Skala aufl\u00f6st. Dies ist n\u00e4her am Szenario \"Governing-Equation-Differenzen\" (RANs vs. LES in CFD) als einfache Gitterverg\u00e4rung, was es zu einem herausfordernden, aber praktisch wichtigen Testfall macht.<\/p>\r\n<h2>Kompromisse und Entscheidungsrahmen<\/h2>\r\n<p>Die Multi-Fidelity-Surrogat-Modellierung bietet ein erhebliches Potenzial zur Reduzierung der Rechenkosten, f\u00fchrt jedoch zu Komplexit\u00e4t, die sorgf\u00e4ltig verwaltet werden muss.<\/p>\r\n<h3>Komplexit\u00e4t vs. Genauigkeit<\/h3>\r\n<p>Der prim\u00e4re Kompromiss bei der Multi-Fidelity-Modellierung liegt zwischen der Modellkomplexit\u00e4t und der Genauigkeitsgewinnung. Multi-Fidelity-Ans\u00e4tze erfordern:<\/p>\r\n<ul>\r\n<li><strong>Weitere Datenerfassung<\/strong>: Sie ben\u00f6tigen Daten aus mehreren Wiedergabestufen, nicht nur eines<\/li>\r\n<li><strong>Korrelationssch\u00e4tzung<\/strong>: Sie m\u00fcssen die Korrelation zwischen den Wiedergabestufen absch\u00e4tzen<\/li>\r\n<li><strong>Ausgefeiltere Algorithmen<\/strong>: Co-Kriging, neuronale Operatoren und Methoden mit reduzierter Ordnung sind komplexer als Single-Fidelity-Kriging oder neuronale grundlegende Netze<\/li>\r\n<li><strong>Parameter-Tuning<\/strong>: Multi-Fidelity-Modelle verf\u00fcgen \u00fcber zus\u00e4tzliche Hyperparameter (Korrelationsverh\u00e4ltnisse, Fidelity-Gewichte)<\/li>\r\n<\/ul>\r\n<p>Die Genauigkeitsgewinnung muss diese Komplexit\u00e4t rechtfertigen. Bei Problemen, bei denen Tausende von Simulationen erforderlich sind, bei denen High-Fidelity-L\u00e4ufe Stunden dauern, kann die Multi-Fidelity-Modellierung die Gesamtberechnungszeit um Gr\u00f6\u00dfenordnungen verk\u00fcrzen. Bei Problemen mit bescheidenen Simulationsz\u00e4hlungen lohnt sich der Overhead m\u00f6glicherweise nicht.<\/p>\r\n<h3>Entscheidungsrahmen<\/h3>\r\n<p>Verwenden Sie dieses Entscheidungsframework, um festzustellen, wann eine Multi-Fidelity-Modellierung geeignet ist:<\/p>\r\n<p><strong>Wann Multi-Fidelity verwenden:<\/strong><\/p>\r\n<ul>\r\n<li>High-Fidelity-Simulationen sind teuer (Stunden pro Lauf) und Sie ben\u00f6tigen viele Auswertungen (Hunderte+)<\/li>\r\n<li>Low-Fidelity-Simulationen sind verf\u00fcgbar und korrelieren (R\u00b2 &gt; 0,9) mit High-Fidelity-Ergebnissen<\/li>\r\n<li>Sie verf\u00fcgen \u00fcber historische Low-Fidelity-Daten, die Sie nutzen k\u00f6nnen<\/li>\r\n<li>Ihre Genauigkeitsanforderungen sind f\u00fcr Explorationsphasen moderat<\/li>\r\n<\/ul>\r\n<p><strong>Wann verwenden Sie Single-Fidelity:<\/strong><\/p>\r\n<ul>\r\n<li>High-Fidelity-Simulationen sind billig genug (Minuten pro Lauf), sodass Sie sich gen\u00fcgend Proben leisten k\u00f6nnen<\/li>\r\n<li>Low-Fidelity-Modelle haben eine schwache Korrelation (R\u00b2 &lt; 0,9) mit High-Fidelity-Ergebnissen<\/li>\r\n<li>Sie haben nur eine Wiedergabetreue<\/li>\r\n<li>Sie ben\u00f6tigen eine endg\u00fcltige Validierungsgenauigkeit und k\u00f6nnen sich nicht auf billige Modellkorrekturen verlassen<\/li>\r\n<\/ul>\r\n<p><strong>Wenn sich die MF-Komplexit\u00e4t m\u00f6glicherweise nicht lohnt:<\/strong><\/p>\r\n<ul>\r\n<li>Die Genauigkeitsl\u00fccke ist gering (Kostenverh\u00e4ltnis &lt; 10:1) \u2014 Der Overhead rechtfertigt m\u00f6glicherweise nicht Einsparungen<\/li>\r\n<li>Ihr Problem hat eine schwache Korrelation zwischen den Wiedergabepegeln - die Multi-Fidelity-Korrektur f\u00fchrt zu Rauschen<\/li>\r\n<li>Sie verf\u00fcgen \u00fcber ein ausreichendes Budget f\u00fcr die adaptive Single-Fidelity-Stichprobe \u2013 eine adaptive Einzel-Fidelity-Probenahme kann effektiver sein<\/li>\r\n<\/ul>\r\n<h3>Praktische Empfehlungen<\/h3>\r\n<ol>\r\n<li><strong>Korrelation zuerst <\/strong>: Sch\u00e4tzen Sie vor Investitionen in die Multi-Fidelity-Modellierung die Korrelation zwischen verf\u00fcgbaren Daten mit niedriger und hoher Wiedergabetreue ab. Wenn R\u00b2 &lt; 0.9 \u00fcberdenken Sie, ob Multi-Fidelity angemessen ist oder ob Sie ein anderes Low-Fidelity-Modell ben\u00f6tigen.<\/li>\r\n<li><strong>Beginn mit Co-Kriging<\/strong>: Wenn die Korrelation stark ist, beginnen Sie mit Co-Kriging (SMT). Es ist gut verstanden, bietet eine zuverl\u00e4ssige Unsicherheitsquantifizierung und ist einfacher zu implementieren als neuronale Operatorans\u00e4tze.<\/li>\r\n<li><strong>\u00dcberweisungslernen f\u00fcr neuronale Operatoren<\/strong> in Betracht ziehen: Wenn Sie die Flexibilit\u00e4t des neuronalen Operators (hochdimensionale Eingaben, komplexe Geometrien) ben\u00f6tigen, \u00fcbertrifft Transfer Learning konsequent andere Architekturen \u00fcber Testf\u00e4lle hinweg (Faza et al., 2026).<\/li>\r\n<li><strong>\u00dcberwachen Sie die Diskrepanz<\/strong>: Verfolgen Sie, wie sich die geringe Genauigkeit der High-Fidelity-Diskrepanz w\u00e4hrend des Trainings entwickelt. Wenn es zu gro\u00df wird, kann sich das Multi-Fidelity-Modell verschlechtern. Dies ist der Fall, wenn Ans\u00e4tze f\u00fcr Einzeltreue oder verschiedene Modelle mit geringer Genauigkeit bevorzugt werden k\u00f6nnen.<\/li>\r\n<li><strong>Mit Holdout-Daten validieren<\/strong>: Validieren Sie immer Multi-Fidelity-Vorhersagen gegen Holdout-High-Fidelity-Daten. Multi-Fidelity-Modelle k\u00f6nnen die Diskrepanzstruktur \u00fcberpassen, insbesondere wenn die Korrelation moderat ist.<\/li>\r\n<\/ol>\r\n<h2>Zusammenfassung<\/h2>\r\n<p>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.<\/p>\r\n<p>Wichtige praktische Erkenntnisse:<\/p>\r\n<ul>\r\n<li>Transfer Learning ist derzeit die robusteste Multi-Fidelity-Neural-Operator-Strategie \u00fcber PDE-Testf\u00e4lle hinweg und \u00fcbertrifft konsequent die Architektur der gemeinsamen Trainings<\/li>\r\n<li>Multi-Fidelity-Kriging hat enge Anwendbarkeitsbedingungen (R\u00b2 &gt; 0,9 Korrelation, Budgetanteil 0,1-0,8), die oft \u00fcbersehen werden<\/li>\r\n<li>Das Python-\u00d6kosystem ist fragmentiert - SMT, DeepXDE und Multifidelity_Pod decken jeweils verschiedene Aspekte ab, und keine einzelne Bibliothek erledigt alles<\/li>\r\n<li>Die h\u00e4rtesten praktischen Probleme sind eher Unterschiede in der Gleichung (RANs vs. LES) als einfache Gittervergr\u00f6berung<\/li>\r\n<li>Einzelfidelit\u00e4ts-Surrogat-Modellierung kann ausreichend sein, wenn die Korrelation schwach ist oder das Rechenhaushalt angemessen ist<\/li>\r\n<\/ul>\r\n<p>F\u00fcr Praktiker, die eine Multi-Fidelity-Modellierung in Betracht ziehen, enth\u00e4lt der obige Entscheidungsrahmen eine konkrete Anleitung, wann und wann es zu vermeiden ist. Die Kernbotschaft ist klar: Multi-Fidelity-Surrogate sind leistungsf\u00e4hig, wenn die Bedingungen erf\u00fcllt sind, aber sie erh\u00f6hen die Komplexit\u00e4t, die durch die Genauigkeitsgewinnung und die Recheneinsparungen gerechtfertigt werden muss.<\/p>\r\n<p>Wenn Sie die Ans\u00e4tze der Ersatzmodellierung umfassender erkunden, ist unser Leitfaden zu <a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinenlern-Surrogate f\u00fcr wissenschaftliche Simulationen<\/a> behandelt. Single-Fidelity Foundations, w\u00e4hrend unser <a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">Polynomial Chaos-Erweiterungshandbuch <\/a> einen alternativen schnellen Ersatzansatz bietet.<\/p>\r\n<p><strong>Verwandte Anleitungen<\/strong><\/p>\r\n<ul>\r\n<li><a href=\"https:\/\/matforge.org\/machine-learning-surrogates-scientific-simulations\/\">Maschinenlern-Surrogate f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 behandelt Gau\u00dfsche Prozesse, neuronale Netzwerke und PCE-Surrogate bei Die Single-Fidelity-Ebene<\/li>\r\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Unsicherheitsquantifizierung und -sensitivit\u00e4tsanalyse<\/a> \u2014 Untersucht UQ-Methoden einschlie\u00dflich der kurz erw\u00e4hnten Multi-Fidelity<\/li>\r\n<li><a href=\"https:\/\/matforge.org\/polynomial-chaos-expansions-surrogate-methods\/\">Polynomial-Chaos-Erweiterungen: Schnelle Surrogate<\/a> \u2014 Alternativer Surrogat-Ansatz f\u00fcr Unsicherheitsausbreitung<\/li>\r\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pytorch-guide\/\">Physik-informierte neuronale Netze (PINNs)<\/a> \u2014 behandelt Pinns und ihre Beziehung zu physikinformierten Multi-Fidelity-Ans\u00e4tzen<\/li>\r\n<\/ul>\r\n<p><strong>Schl\u00fcsselreferenzen<\/strong><\/p>\r\n<ul>\r\n<li><a href=\"https:\/\/arxiv.org\/abs\/1609.07196\" target=\"_blank\" rel=\"nofollow noopener\"> Fern\u00e1ndez-Godino et al. (2023) - \u00dcberpr\u00fcfung von Multi-Fidelity-Modellen <\/a> - Die endg\u00fcltige umfassende Umfrage zu allen MF-Methoden, -Anwendungen und -Trends<\/li>\r\n<li><a href=\"https:\/\/arxiv.org\/abs\/2608.04708\" target=\"_blank\" rel=\"nofollow noopener\"> Adam Faza et al. (2026) - zu Multifidelity Neural Operator f\u00fcr datengesteuerte PDE-Vorhersagen <\/a> - experimenteller Vergleich von MF-NO-Architekturen (Transfer-Lernen, Intermediate, Residuum, zweistufig)<\/li>\r\n<li><a href=\"https:\/\/smt.readthedocs.io\" target=\"_blank\" rel=\"nofollow noopener\">Dokumentation zur SMT (Surrogate Modeling Toolbox)<\/a> \u2014 Die umfassendste Python-Bibliothek f\u00fcr GP-Based Ersatzmodellierung, einschlie\u00dflich Multi-Fidelity-Kriging (MFK) und Co-Kriging (MFCK) Implementierungen<\/li>\r\n<li><a href=\"https:\/\/github.com\/ContiPaolo\/MultiFidelity_POD\" target=\"_blank\" rel=\"nofollow noopener\">Contipaolo\/Multifidelity_Pod GitHub<\/a> \u2014 Open-Source-Implementierung der Pod-basierten MF-Surrogat-Modellierung mit Tutorial-Notebook<\/li>\r\n<li><a href=\"https:\/\/elib.dlr.de\/207688\/2\/mlst_5_4_045015.pdf\" target=\"_blank\" rel=\"nofollow noopener\"> Ravi et al. \u2014 Multi-Fidelity Gaussian Process Surrogat-Modellierung <\/a> \u2014 Umfassender Vergleich von MF-GP-Methoden (AR1, autoregressiv, hierarchisch)<\/li>\r\n<li><a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal (2015) \u2014 Einige \u00dcberlegungen zur Verwendung von Multi-Fidelity-Kriging <\/a> - Definitive praktische Bedingungen f\u00fcr die Funktionsweise von MF-Kriging (Korrelation, Budgetverh\u00e4ltnis, Stichprobenverh\u00e4ltnis)<\/li>\r\n<li><a href=\"https:\/\/arxiv.org\/abs\/2206.04872\" target=\"_blank\" rel=\"nofollow noopener\"> Wu et al. (2022) - Hierarchische Multi-Fidelity-Neuralprozesse <\/a> - MF-HNP-Architektur f\u00fcr skalierbare MF-Surrogat-Modellierung<\/li>\r\n<li><a href=\"https:\/\/arxiv.org\/abs\/2605.02871\" target=\"_blank\" rel=\"nofollow noopener\">Wen (2026) \u2014 Multi-Fidelity-Surrogate f\u00fcr Mechanik of Composites <\/a> \u2014 Neuere Anwendung auf Verbundwerkstoffen<\/li>\r\n<\/ul>\r\n<h2>N\u00e4chste Schritte<\/h2>\r\n<p>Wenn Sie Multi-Fidelity-Ans\u00e4tze f\u00fcr Ihr spezielles Problem bewerten:<\/p>\r\n<ol>\r\n<li>Bewerten Sie die Korrelation zwischen verf\u00fcgbaren Low-Fidelity- und High-Fidelity-Modellen (Empirisch sch\u00e4tzen R\u00b2)<\/li>\r\n<li>Sch\u00e4tzen Sie das Kostenverh\u00e4ltnis und das gesamte Simulationsbudget<\/li>\r\n<li>\u00dcberpr\u00fcfen Sie <a href=\"https:\/\/doi.org\/10.1007\/s00158-014-1209-5\" target=\"_blank\" rel=\"nofollow noopener\">Toal's conditions<\/a> (Korrelation &gt; 0,9, Budget-Bruch 0,1-0,8)<\/li>\r\n<li>Wenn die Bedingungen erf\u00fcllt sind, Prototyp mit SMTs Co-Kriging f\u00fcr Gau\u00dfsche Prozessans\u00e4tze oder DeepXDE-Transfer-Learning f\u00fcr neuronale Operatoren<\/li>\r\n<li>Vor der Bereitstellung validieren gegen Holdout-High-Fidelity-Daten<\/li>\r\n<\/ol>\r\n<p>F\u00fcr Praktiker, die mit zeitabh\u00e4ngigen Systemen arbeiten, bietet das Multifidelity_Pod-Repository Tutorial-Notebooks, die Workflows mit reduzierter Ordnung demonstrieren. F\u00fcr 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.<\/p>\r\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 13<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Erfahren Sie, wie Multi-Fidelity-Surrogat-Modelle billige Simulationen mit ML-Korrekturen kombinieren, um eine hohe Genauigkeit bei niedrigeren Kosten zu erzielen. Deckt Co-Kriging, neuronale Operatoren und Python-Implementierung ab.<\/p>\n","protected":false,"raw":"Erfahren Sie, wie Multi-Fidelity-Surrogat-Modelle billige Simulationen mit ML-Korrekturen kombinieren, um eine hohe Genauigkeit bei niedrigeren Kosten zu erzielen. Deckt Co-Kriging, neuronale Operatoren und Python-Implementierung ab."},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"de_DE","_original_post":"https:\/\/matforge.org\/?p=1050","iawp_total_views":1,"footnotes":""},"categories":[1],"tags":[5,6,4],"class_list":["post-1120","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-fipy","tag-lithium-ion","tag-simulation","de-DE"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  13 minutesErfahren Sie, wie Multi-Fidelity-Surrogat-Modelle billige Simulationen mit ML-Korrekturen kombinieren, um eine hohe Genauigkeit bei niedrigeren Kosten zu erzielen. Deckt Co-Kriging, neuronale Operatoren und Python-Implementierung ab.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-19T09:48:31+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-08-19T10:05:42+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"16\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden\",\"datePublished\":\"2026-08-19T09:48:31+00:00\",\"dateModified\":\"2026-08-19T10:05:42+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/\"},\"wordCount\":3908,\"commentCount\":0,\"keywords\":[\"FiPy\",\"lithium-ion\",\"simulation\"],\"articleSection\":[\"Simulation & amp; Modellierungsprojekte\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/\",\"name\":\"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-19T09:48:31+00:00\",\"dateModified\":\"2026-08-19T10:05:42+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/multi-fidelity-surrogate-models-physics-ml\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/","og_locale":"de_DE","og_type":"article","og_title":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden - matforge.org","og_description":"Reading Time:  13 minutesErfahren Sie, wie Multi-Fidelity-Surrogat-Modelle billige Simulationen mit ML-Korrekturen kombinieren, um eine hohe Genauigkeit bei niedrigeren Kosten zu erzielen. Deckt Co-Kriging, neuronale Operatoren und Python-Implementierung ab.","og_url":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/","og_site_name":"matforge.org","article_published_time":"2026-08-19T09:48:31+00:00","article_modified_time":"2026-08-19T10:05:42+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"steven","Gesch\u00e4tzte Lesezeit":"16\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden","datePublished":"2026-08-19T09:48:31+00:00","dateModified":"2026-08-19T10:05:42+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/"},"wordCount":3908,"commentCount":0,"keywords":["FiPy","lithium-ion","simulation"],"articleSection":["Simulation & amp; Modellierungsprojekte"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/","url":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/","name":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-19T09:48:31+00:00","dateModified":"2026-08-19T10:05:42+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/de\/multi-fidelity-surrogate-models-physics-ml\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/de\/"},{"@type":"ListItem","position":2,"name":"Multi-Fidelity-Surrogat-Modelle: Physik und maschinelles Lernen verbinden"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1120","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1120"}],"version-history":[{"count":2,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1120\/revisions"}],"predecessor-version":[{"id":1160,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1120\/revisions\/1160"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1120"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1120"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1120"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}