{"id":844,"date":"2026-07-30T12:22:26","date_gmt":"2026-07-30T12:22:26","guid":{"rendered":"https:\/\/matforge.org\/?p=844","raw":"https:\/\/matforge.org\/?p=844"},"modified":"2026-07-30T12:22:26","modified_gmt":"2026-07-30T12:22:26","slug":"machine-learning-surrogates-scientific-simulations","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/","title":{"rendered":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden","raw":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden"},"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\"> 8<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Machine Learning (ML) Surrogate sind schnelle, datengesteuerte N\u00e4herungen teurer wissenschaftlicher Simulationen. Sie erm\u00f6glichen Vorhersagen in Echtzeit, massive Erforschung des Designraums und die Quantifizierung der Unsicherheit, die allein mit direkter Simulation unm\u00f6glich w\u00e4ren. Verwenden Sie Surrogate, wenn Sie eine iterative Optimierung oder Tausende von Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige Validierung oder wenn eine hohe Genauigkeit nicht verhandelbar ist. Dieser Leitfaden behandelt die Grundlagen, Typen, Implementierungsworkflows und kritischen Fallstricke.<\/p>\n<h2>Einleitung: Der rechnerische Engpass<\/h2>\n<p>Wissenschaftliche Simulationen &#8211; ob das L\u00f6sen von partiellen Differentialgleichungen (PDEs) mit FIPY, der laufenden Finite-Elemente-Analyse oder der Modellierung der Fl\u00fcssigkeitsdynamik &#8211; sind rechnerisch teuer. Eine einzige High-Fidelity-Simulation kann Stunden, Tage oder sogar Wochen auf leistungsstarker Hardware dauern. Wenn Sie Hunderte von Designvarianten untersuchen, eine Sensitivit\u00e4tsanalyse durchf\u00fchren oder mit Tausenden von Proben eine Unsicherheitsquantifizierung durchf\u00fchren m\u00fcssen, werden die Berechnungskosten unerschwinglich.<\/p>\n<p>Hier kommen maschinelle Learning-Surrogate ins Spiel.<\/p>\n<h2>Was sind maschinelles Lernen?<\/h2>\n<p>Ein <strong>Ersatzmodell <\/strong> (oder Metamodell) ist ein schnelles, ungef\u00e4hres Modell, das das Eingabe-Ausgabe-Verhalten einer komplexen, teuren Simulation nachahmt [1]. Anstatt die vollst\u00e4ndigen physikbasierten Gleichungen jedes Mal zu l\u00f6sen, trainieren Sie ein maschinelles Lernmodell an einer begrenzten Anzahl von Simulationsergebnissen und machen es dann, um sofortige Vorhersagen f\u00fcr neue Eingaben zu treffen.<\/p>\n<p>Stellen Sie sich das so vor:<\/p>\n<ul>\n<li><strong>Direkte Simulation<\/strong>: Hohe Genauigkeit, hohe Kosten, physikbasiert<\/li>\n<li><strong>ml Surrogate<\/strong>: Gute Ann\u00e4herung, kostennahe Nullkosten, datengesteuert<\/li>\n<\/ul>\n<p>Der Kompromiss ist klar: Surrogate opfern etwas Genauigkeit f\u00fcr massive Geschwindigkeitsgewinne und erm\u00f6glichen Aufgaben, die sonst unm\u00f6glich w\u00e4ren.<\/p>\n<h3>Schl\u00fcsselterminologie<\/h3>\n<ul>\n<li><strong>Trainingsdaten<\/strong>: Eine Reihe von Eingabeparametern und entsprechenden Simulationsausgaben, die zum Surrogat verwendet werden.<\/li>\n<li><strong>Ersatzmodell<\/strong>: Das ML-Modell, das sich der Simulation ann\u00e4hert.<\/li>\n<li><strong>Aktives Lernen<\/strong>: Strategische Auswahl neuer Simulationspunkte, um die Leihmutter am meisten zu verbessern.<\/li>\n<li><strong>Unsicherheitsquantifizierung (UQ)<\/strong>: Sch\u00e4tzen des Vertrauens oder der Fehlergrenzen von Ersatzvorhersagen.<\/li>\n<\/ul>\n<h2>Wann verwenden Sie ML-Surrogate vs. Direkte Simulation?<\/h2>\n<p>Nicht jedes Problem profitiert von der Ersatzmodellierung. Die unten stehende Entscheidungsmatrix fasst zusammen, wann die einzelnen Vorgehensweisen ausgew\u00e4hlt werden [2]:<\/p>\n<table>\n<thead>\n<tr>\n<th>Funktion<\/th>\n<th>Maschinelles Lernen<\/th>\n<th>Direkte Simulation<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Geschwindigkeit<\/strong><\/td>\n<td>Sofort \/ Echtzeit<\/td>\n<td>Langsam (Stunden\/Tage)<\/td>\n<\/tr>\n<tr>\n<td><strong>Genauigkeit<\/strong><\/td>\n<td>Gute Ann\u00e4herung<\/td>\n<td>Hoch \/ Boden Wahrheit<\/td>\n<\/tr>\n<tr>\n<td><strong>Kosten<\/strong><\/td>\n<td>Niedrig (nach dem Training)<\/td>\n<td>Hoch<\/td>\n<\/tr>\n<tr>\n<td><strong>Datenanforderung<\/strong><\/td>\n<td>Hoch (zum Training)<\/td>\n<td>Keine (physikbasiert)<\/td>\n<\/tr>\n<tr>\n<td><strong>Best for<\/strong><\/td>\n<td>Iteratives Design, Optimierung<\/td>\n<td>Validierung, neue Physik<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Verwenden Sie ML-Surrogate, wenn:<\/strong><\/p>\n<ul>\n<li>Hohe Rechenkosten (Stunden\/Tage pro Lauf)<\/li>\n<li>iteratives Design\/Optimierung (100-1000 Evaluierungen)<\/li>\n<li>Echtzeit-Interaktion oder benutzerorientierte Apps<\/li>\n<li>Unsicherheitsquantifizierung (Monte Carlo braucht 1000 L\u00e4ufe)<\/li>\n<\/ul>\n<p><strong>Verwenden Sie direkte Simulation, wenn:<\/strong><\/p>\n<ul>\n<li>Endg\u00fcltige Genauigkeit erforderlich (Endg\u00fcltige Validierung, Sicherheitszertifizierungen)<\/li>\n<li>Einmalige Analysen (Training Data Cost &gt; Benefit)<\/li>\n<li>Neue k\u00f6rperliche Regime ohne Trainingsdaten<\/li>\n<li>regulatorische oder sicherheitskritische Zertifizierung<\/li>\n<\/ul>\n<p><strong>Bottom line<\/strong>: Erstellen Sie eine Leihmutter, wenn Sie die Simulation mit leicht unterschiedlichen Eingaben mehrmals auswerten m\u00fcssen. Verwenden Sie direkte Simulation f\u00fcr endg\u00fcltige \u00dcberpr\u00fcfungen, neuartige Szenarien oder wenn die Simulation bereits schnell genug ist.<\/p>\n<h2>Arten von maschinellen Learning-Surrogatmodellen<\/h2>\n<p>Mehrere ML-Architekturen werden h\u00e4ufig f\u00fcr die Ersatzmodellierung verwendet, die jeweils St\u00e4rken und Kompromisse [3]:<\/p>\n<h3>1. Gau\u00dfsche Prozesse (Kriging)<\/h3>\n<p>Gau\u00dfsche Prozesse (GPS) sind eine nat\u00fcrliche Wahl f\u00fcr wissenschaftliche Surrogate, da sie <strong> probabilistische Vorhersagen liefern <\/strong> &#8211; nicht nur einen Wert, sondern auch eine Unsicherheitssch\u00e4tzung [4]. Dies ist von unsch\u00e4tzbarem Wert f\u00fcr risikobewusstes Design und aktives Lernen.<\/p>\n<p><strong>Profis:<\/strong><\/p>\n<ul>\n<li>Eingebaute Unsicherheitsquantifizierung<\/li>\n<li>Funktioniert gut mit kleinen bis mittleren Datens\u00e4tzen (&lt; 10.000 Punkte)<\/li>\n<li>Robust bis \u00dcberanpassung mit dem richtigen Kovarianzkern<\/li>\n<\/ul>\n<p><strong>cons:<\/strong><\/p>\n<ul>\n<li>Skaliert schlecht mit Trainingsdatengr\u00f6\u00dfe (O(n\u00b3)-Inferenz)<\/li>\n<li>Begrenzt auf niedrige bis moderate Eingangsabmessungen (&lt; 50)<\/li>\n<\/ul>\n<p><strong>Best for<\/strong>: Engineering-Design-Optimierung, kleine Parameterr\u00e4ume, Anwendungen, bei denen Unsicherheitsgrenzen kritisch sind.<\/p>\n<h3>2. Neurale Netzwerke und Deep Learning<\/h3>\n<p>Neurale Netze, insbesondere Deep-Architekturen, zeichnen sich durch <strong>gro\u00dfe Datens\u00e4tze<\/strong> und <strong>hochdimensionale Eingaben<\/strong> [5] aus. J\u00fcngste Fortschritte wie Fourier Neural Operators (FNOs) und Physik-informierte Neuralnetze (PINNs) k\u00f6nnen sogar lernen, ganze Familien von PDEs zu l\u00f6sen.<\/p>\n<p><strong>Profis:<\/strong><\/p>\n<ul>\n<li>Schnelle Inferenz nach dem Training<\/li>\n<li>Behandelt hochdimensionale Eingaben und komplexe Beziehungen<\/li>\n<li>Kann physikalische Einschr\u00e4nkungen (Pinns) einbeziehen<\/li>\n<\/ul>\n<p><strong>cons:<\/strong><\/p>\n<ul>\n<li>Erfordert umfangreiche Trainingsdaten<\/li>\n<li>Black-Box-Natur; Unsicherheitsquantifizierung erfordert zus\u00e4tzliche Techniken<\/li>\n<li>\u00dcberanpassungsgefahr ohne sorgf\u00e4ltige Regularisierung<\/li>\n<\/ul>\n<p><strong>Best for<\/strong>: Probleme im gro\u00dfen Ma\u00dfstab, bild\u00e4hnliche Daten (z. B. Feldausgaben), Operator Learning (Mapping-Parameter zu vollst\u00e4ndigen L\u00f6sungsfeldern).<\/p>\n<h3>3. Polynom-Chaos-Erweiterung (PCE)<\/h3>\n<p>PCE repr\u00e4sentiert die Simulationsausgabe als spektrale Expansion in Bezug auf orthogonale Polynome der zuf\u00e4lligen Eingaben [6]. Es eignet sich besonders gut f\u00fcr <strong> probabilistische Eingabeverteilungen <\/strong> und liefert analytische Ausdr\u00fccke f\u00fcr Momente.<\/p>\n<p><strong>Profis:<\/strong><\/p>\n<ul>\n<li>Effizient f\u00fcr m\u00e4\u00dfige Eingabedimensionen<\/li>\n<li>Direkter Zugriff auf statistische Momente (Mittelwert, Varianz)<\/li>\n<li>Strenge mathematische Grundlage<\/li>\n<\/ul>\n<p><strong>cons:<\/strong><\/p>\n<ul>\n<li>setzt eine reibungslose Abh\u00e4ngigkeit von Eingaben voraus<\/li>\n<li>Fluch der Dimensionalit\u00e4t \u00fcber ~20 Variablen hinaus<\/li>\n<li>Ben\u00f6tigt spezialisierte Basiskonstruktion<\/li>\n<\/ul>\n<p><strong>Best for<\/strong>: Unsicherheitsausbreitung, Sensitivit\u00e4tsanalyse, wenn die Eingaben unabh\u00e4ngig sind und Verteilungen bekannt sind.<\/p>\n<h3>4. Andere Methoden<\/h3>\n<ul>\n<li><strong>Sparse-Gitter<\/strong>: F\u00fcr niedrigdimensionale Probleme mit teuren Simulationen<\/li>\n<li><strong>Zuf\u00e4llige W\u00e4lder \/ Gradientenverst\u00e4rkung<\/strong>: F\u00fcr tabellarische Daten mit nicht glatten Antworten<\/li>\n<li><strong>Support-Vektormaschinen<\/strong>: F\u00fcr kleinere Datens\u00e4tze mit klaren Margen<\/li>\n<\/ul>\n<h2>Aufbau eines Ersatzes: Der Workflow<\/h2>\n<p>Das Erstellen eines vertrauensw\u00fcrdigen Ersatzes umfasst mehrere kritische Schritte [7]:<\/p>\n<h3>Schritt 1: Definieren Sie den Eingaberaum<\/h3>\n<p>Geben Sie den Bereich und die Verteilung der Eingabeparameter an, die der Ersatz abdecken soll. Realistisch sein \u2013 Surrogate k\u00f6nnen \u00fcber den Trainingsdatenbereich hinaus nicht zuverl\u00e4ssig extrapolieren.<\/p>\n<p><strong>Allgemeiner Fehler<\/strong>: Definieren eines \u00fcberm\u00e4\u00dfig breiten Eingaberaums &#8222;nur f\u00fcr den Fall&#8220;. Surrogate interpolieren; Sie extrapolieren nicht gut. Es ist besser, mehrere spezialisierte Surrogate zu trainieren als eine allgemeine, die au\u00dferhalb ihrer Ausbildung wild err\u00e4t.<\/p>\n<h3>Schritt 2: Trainingsdaten generieren<\/h3>\n<p>F\u00fchren Sie die High-Fidelity-Simulation an einer Reihe von abgetasteten Eingabepunkten aus. Die Qualit\u00e4t und Abdeckung dieses Datensatzes bestimmen die Genauigkeit des Surrogates.<\/p>\n<p><strong>Sampling-Strategien:<\/strong><\/p>\n<ul>\n<li><strong>Lateinische Hypercube-Probenahme (LHS)<\/strong>: Gute raumf\u00fcllende Eigenschaften f\u00fcr m\u00e4\u00dfige Abmessungen<\/li>\n<li><strong>SOBOL-Sequenzen<\/strong>: Sequenzen mit geringer Diskrepanz f\u00fcr eine gleichm\u00e4\u00dfige Abdeckung<\/li>\n<li><strong>Aktives Lernen<\/strong>: F\u00fcgt iterativ Punkte hinzu, bei denen der Ersatz am unsichersten ist (reduziert die erforderlichen Gesamtsimulationen)<\/li>\n<\/ul>\n<p><strong>Warnung<\/strong>: Die Generierung von Trainingsdaten ist oft der Engpass \u2013 es ist teuer! Aktives Lernen kann die Anzahl der erforderlichen Simulationen um 50% oder mehr reduzieren [8].<\/p>\n<h3>Schritt 3: W\u00e4hlen und trainieren Sie das Modell<\/h3>\n<p>W\u00e4hlen Sie einen Ersatztyp basierend auf Ihrer Problemgr\u00f6\u00dfe, dem Datenvolumen und dem Bedarf an Unsicherheitssch\u00e4tzungen aus. Trainieren Sie auf dem Datensatz, indem Sie die Kreuzvalidierung verwenden, um Hyperparameter zu optimieren.<\/p>\n<p><strong>Schl\u00fcssel\u00fcberlegungen:<\/strong><\/p>\n<ul>\n<li>Ein- und Ausg\u00e4nge normalisieren<\/li>\n<li>Daten in Trainings-\/Validierungs-\/Tests\u00e4tze aufteilen<\/li>\n<li>Monitor f\u00fcr \u00dcberanpassung (perfekte Trainingsgenauigkeit, schlechte Validierung)<\/li>\n<\/ul>\n<h3>Schritt 4: Validieren Sie den Ersatz<\/h3>\n<p>Vertraue niemals einem Ersatz ohne strenge Validierung [9]. Verwenden Sie Metriken wie:<\/p>\n<ul>\n<li><strong>R\u00b2-Score<\/strong> (Bestimmungskoeffizient)<\/li>\n<li><strong>Root Mean Squared Error (RMSE)<\/strong><\/li>\n<li><strong>Mittelwertfehler (MAE)<\/strong><\/li>\n<li><strong>Maximaler absoluter Fehler<\/strong> (katastrophale Fehler)<\/li>\n<\/ul>\n<p>Zeichnen Sie auch Residuen und Vorhersage gegen\u00fcber tats\u00e4chlichen Werten. Suchen Sie nach systematischer Verzerrung oder Heteroskedastizit\u00e4t.<\/p>\n<p><strong>Essential Practice<\/strong>: F\u00fchren Sie einen ausgehaltenen Testsatz von Simulationsl\u00e4ufen, die w\u00e4hrend des Trainings oder der Hyperparameter-Tuning nie verwendet wurden. Dies ergibt eine unvoreingenommene Sch\u00e4tzung der realen Leistung.<\/p>\n<h3>Schritt 5: Mit Vorsicht bereitstellen<\/h3>\n<p>Nach der Validierung kann der Ersatz f\u00fcr eine schnelle Erkundung verwendet werden. Jedoch:<\/p>\n<ul>\n<li><strong>Verwenden Sie niemals einen Ersatz au\u00dferhalb der validierten Eingabedom\u00e4ne<\/strong><\/li>\n<li><strong>Verifizieren Sie kritische Vorhersagen immer mit einer direkten Simulation<\/strong> (insbesondere f\u00fcr endg\u00fcltige Designs)<\/li>\n<li><strong>\u00dcberwachen Sie die Degradation<\/strong> im Laufe der Zeit, da das zugrunde liegende System m\u00f6glicherweise driftet<\/li>\n<\/ul>\n<h2>Unsicherheitsquantifizierung: Warum und wie<\/h2>\n<p>Ersatzvorhersagen ohne Unsicherheitsgrenzen sind gef\u00e4hrlich &#8211; sie sehen pr\u00e4zise aus, k\u00f6nnen aber sehr falsch sein [10]. Die Unsicherheitsquantifizierung (UQ) gibt an, wie sehr Sie jeder Vorhersage vertrauen sollten.<\/p>\n<h3>Quellen der Unsicherheit<\/h3>\n<ol>\n<li><strong>Aleatorische Unsicherheit<\/strong>: inh\u00e4rente Zuf\u00e4lligkeit bei Eingaben (z. B. Materialeigenschaften innerhalb von Toleranzbereichen)<\/li>\n<li><strong>Epistemische Unsicherheit<\/strong>: Mangel an Wissen aufgrund begrenzter Trainingsdaten; Reduziert, wenn Sie mehr Daten hinzuf\u00fcgen<\/li>\n<\/ol>\n<p>Ein gutes Ersatzmodell quantifiziert beides. Gau\u00dfsche Prozesse liefern dies nat\u00fcrlich \u00fcber pr\u00e4diktive Varianz. F\u00fcr neuronale Netze k\u00f6nnen Sie verwenden:<\/p>\n<ul>\n<li><strong>Monte Carlo Dropout<\/strong>: Mehrere Forward-P\u00e4sse mit Aussetzer aktiviert, um eine pr\u00e4diktive Verteilung zu erhalten<\/li>\n<li><strong>Deep Ensembles<\/strong>: Trainieren Sie mehrere Netzwerke und nutzen Sie Vorhersagevarianz<\/li>\n<li><strong>Konforme Vorhersage<\/strong>: Verteilungsfreie Unsicherheitsgarantien [11]<\/li>\n<\/ul>\n<h3>Aktives Lernen mit Unsicherheit<\/h3>\n<p>Aktives Lernen nutzt die Unsicherheit des Leihmutterschafts, um zu entscheiden, wo die n\u00e4chste teure Simulation durchgef\u00fchrt werden soll [12]. Die allgemeine Strategie:<\/p>\n<ol>\n<li>Trainieren Sie den ersten Ersatz f\u00fcr kleine Datens\u00e4tze<\/li>\n<li>Identifizieren Sie Regionen, in denen die Vorhersageunsicherheit am h\u00f6chsten ist (oder in denen Ausf\u00e4lle wahrscheinlich sind)<\/li>\n<li>F\u00fchren Sie Simulationen an diesen Punkten aus<\/li>\n<li>Mit erweitertem Datensatz neu trainieren<\/li>\n<li>Wiederholen, bis die Unsicherheit akzeptabel oder das Budget ersch\u00f6pft<\/li>\n<\/ol>\n<p>Dieser Ansatz kann mit weitaus weniger Simulationen die gleiche Genauigkeit erreichen als die gleichm\u00e4\u00dfige Abtastung.<\/p>\n<h2>H\u00e4ufige Fallstricke und wie man sie vermeidet<\/h2>\n<p>Auf der Grundlage der Literatur und der praktischen Erfahrung [13] sind hier die h\u00e4ufigsten Fehler:<\/p>\n<h3>1. Unzureichende oder qualitativ minderwertige Trainingsdaten<\/h3>\n<p><strong>Problem<\/strong>: Zu wenige Simulationsl\u00e4ufe oder Samples, die in einem Bereich gruppiert sind, wodurch gro\u00dfe L\u00fccken im Eingaberaum entstehen.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Verwenden Sie raumf\u00fcllende Designs (LHS, SOBOL) und bewerten Sie die Abdeckung. Aktives Lernen kann dabei helfen, sp\u00e4rliche Regionen anzuvisieren. Als Faustregel gilt, dass mindestens 10 \u00d7 mehr Trainingspunkte als Eingabedimensionen anstreben, obwohl dies unterschiedlich ist.<\/p>\n<h3>2. Extrapolation jenseits des Trainingsbereichs<\/h3>\n<p><strong>Problem<\/strong>: Verwenden der Ersatz f\u00fcr Eingabekombinationen, die von einem Trainingspunkt entfernt sind.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Definieren Sie klare operative Grenzen. Implementieren Sie die &#8222;Out-of-Distribution&#8220; -Erkennung (z. B. Entfernung zum n\u00e4chsten Trainingspunkt, Vorhersagevarianzschwellen). Geben Sie eine Warnung zur\u00fcck oder lehnen Sie es ab, vorherzusagen, wann sich die Eingaben au\u00dferhalb des validierten Bereichs befinden.<\/p>\n<h3>3. Ignorieren der Unsicherheitsquantifizierung<\/h3>\n<p><strong>Problem<\/strong>: Surrogat-Vorhersagen als Grundwahrheit behandeln.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Melden Sie immer Vorhersageintervalle. Verwenden Sie bei der Optimierung konservative Kriterien (z. B. niedrigere Konfidenzgrenze), um falsches Vertrauen zu vermeiden.<\/p>\n<h3>4. \u00dcberanpassen der Trainingsdaten<\/h3>\n<p><strong>Problem<\/strong>: Surrogate merkt sich Trainingspunkte, verallgemeinert aber nicht.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Verwenden Sie nach M\u00f6glichkeit Kreuzvalidierung, Regularisierung und einfache Modelle. Verwenden Sie f\u00fcr neuronale Netze Aussetzer, Gewichtsabfall und fr\u00fchzeitiges Stoppen. \u00dcberwachen Sie den Validierungsfehler, nicht nur den Trainingsfehler.<\/p>\n<h3>5. Vernachl\u00e4ssigung der Modellwartung<\/h3>\n<p><strong>Problem<\/strong>: Einmal trainieren und vergessen, auch wenn sich der zugrunde liegende Simulationscode oder die Physik \u00e4ndert.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Behandeln Sie Surrogate wie jede Forschungssoftware: Verfolgen Sie Versionen, trainieren Sie neu, wenn Simulationsaktualisierungen auftreten, und dokumentieren Sie Datenquellen. Best Practices finden Sie in unserem Leitfaden zu <a href=\"\/tracking-long-term-technical-debt-in-research-software\/\">Nachverfolgung langfristiger technischer Schulden in der Forschungssoftware<\/a>.<\/p>\n<h2>Tools und Frameworks<\/h2>\n<p>Mehrere Open-Source-Bibliotheken unterst\u00fctzen die Surrogat-Modellierung und UQ [14]:<\/p>\n<ul>\n<li><strong>OpenTurns<\/strong>: Eine umfassende Bibliothek f\u00fcr Unsicherheitsanalyse und Metamodellierung (C++\/Python)<\/li>\n<li><strong>UQlab<\/strong>: MATLAB-basiertes Framework f\u00fcr UQ- und Surrogat-Modellierung<\/li>\n<li><strong>Scicit-Learn<\/strong>: Python-Bibliothek mit Gau\u00dfschen Prozessen, zuf\u00e4lligen W\u00e4ldern und mehr<\/li>\n<li><strong>gpy<\/strong> \/ <strong>gpyTorch<\/strong>: Gau\u00dfsche Prozess-Frameworks f\u00fcr Python<\/li>\n<li><strong>PyTorch<\/strong> \/ <strong>TensorFlow<\/strong>: F\u00fcr benutzerdefinierte neuronale Netzwerk-Surrogate<\/li>\n<li><strong>UQ4CFD<\/strong>: Spezialplattform f\u00fcr die Quantifizierung der CFD-Unsicherheit<\/li>\n<\/ul>\n<p>F\u00fcr FIPY-Benutzer k\u00f6nnen Sie Surrogate auf Workflow-Ebene integrieren: Verwenden Sie den Ersatz, um viele Parameterkombinationen zu \u00fcberpr\u00fcfen, und f\u00fchren Sie FIPY nur bei den vielversprechendsten Kandidaten aus.<\/p>\n<h2>Integration mit Simulations-Workflows<\/h2>\n<p>Surrogate ersetzen keine Simulationen; Sie erg\u00e4nzen sie. Typische Integrationsmuster:<\/p>\n<ol>\n<li><strong>Pre-Screening<\/strong>: Beseitigen Sie schlechte Designs schnell, bevor Sie sich zu einer teuren Simulation engagieren<\/li>\n<li><strong>Optimierungsschleifen<\/strong>: Surrogat als kosteng\u00fcnstige Zielfunktion verwenden; Regelm\u00e4\u00dfig mit direkter Simulation validieren<\/li>\n<li><strong>Unsicherheitsausbreitung<\/strong>: F\u00fchren Sie tausendfach Surrogate aus, um die Ausgabeverteilungen zu bewerten<\/li>\n<li><strong>Echtzeitsteuerung<\/strong>: Stellen Sie Surrogate in eingebetteten Systemen oder interaktiven Tools bereit<\/li>\n<\/ol>\n<p><strong>Beispiel<\/strong>: In <a href=\"\/real-world-applications-of-computational-materials-science\/\">Materials Science<\/a> k\u00f6nnen Sie einen Ersatz f\u00fcr die Vorhersage der Phasenfeldentwicklung unter materiellen Parametern trainieren. Verwenden Sie es, um den Parameterraum schnell zu erkunden, und \u00fcberpr\u00fcfen Sie dann die optimalen Punkte mit vollst\u00e4ndigen FIPY-Simulationen.<\/p>\n<h2>Fallstudie: Metamaterial Design mit aktivem Lernen<\/h2>\n<p>Eine \u00fcberzeugende Demonstration kommt von Metamaterial Design [8]. Die Forscher mussten die Bandstruktur eines photonischen Kristalls optimieren &#8211; eine Aufgabe, die Hunderte teurer elektromagnetischer Simulationen erfordert. Sie verwendeten einen Gau\u00dfschen Prozess-Surrogat mit aktivem Lernen:<\/p>\n<ol>\n<li>Begonnen mit 50 Simulationsl\u00e4ufen<\/li>\n<li>Verwendet die pr\u00e4diktive Varianz des Hausarztes, um zu identifizieren, wo zus\u00e4tzliche Daten die Unsicherheit am st\u00e4rksten verringern w\u00fcrden<\/li>\n<li>150 weitere gezielte Simulationen ausgef\u00fchrt<\/li>\n<li>Erzielte genaue Ersatz nach nur 200 L\u00e4ufen (gegen\u00fcber 500+ bei gleichm\u00e4\u00dfiger Probenahme)<\/li>\n<li>Benutzte Ersatz, um mehr als 10.000 Designkandidaten sofort zu erkunden<\/li>\n<\/ol>\n<p>Das Ergebnis: Entdeckung neuartiger Bandl\u00fccken-Konfigurationen, die allein durch direkte Simulation nicht m\u00f6glich gewesen w\u00e4ren.<\/p>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Verwalten von PDE-Problemen im gro\u00dfen Ma\u00dfstab<\/a> \u2013 Wenn Simulationen teuer genug werden, um Ersatz zu ben\u00f6tigen<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">Von Gleichungen zu Simulationen<\/a> \u2013 Der vollst\u00e4ndige Modellierungs-Workflow<\/li>\n<li><a href=\"\/code-coupling-precice-multi-physics-python\/\">Codekopplung mit Precice<\/a> \u2013 Multiphysische Kontexte, in denen Surrogate die Kopplung beschleunigen k\u00f6nnen<\/li>\n<li><a href=\"\/visualizing-simulation-results-effectively\/\">Simulationsergebnisse effektiv visualisieren<\/a> \u2013 Surrogat-Vorhersagen und -unsicherheit pr\u00e4sentieren<\/li>\n<li><a href=\"\/reproducibility-and-its-role-in-debugging\/\">Reproduzierbarkeit und ihre Rolle beim Debuggen<\/a> \u2013 Aufrechterhaltung vertrauensw\u00fcrdiger Ersatzmodelle<\/li>\n<\/ul>\n<h2>Fazit und n\u00e4chste Schritte<\/h2>\n<p>Machine Learning Surrogate sind leistungsstarke Werkzeuge zur Beschleunigung der wissenschaftlichen Entdeckung und des technischen Designs. Sie transformieren rechnerisch unerschwingliche Probleme in traktierbare, indem sie das Mapping von Eingaben zu Ausgaben aus einer begrenzten Anzahl von High-Fidelity-Simulationen lernen.<\/p>\n<p><strong>Key Takeaways:<\/strong><\/p>\n<ul>\n<li>Verwenden Sie Surrogate, wenn Sie viele schnelle Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige Validierung<\/li>\n<li>W\u00e4hlen Sie den Modelltyp basierend auf Datengr\u00f6\u00dfe, Dimensionalit\u00e4t und Bedarf an Unsicherheitssch\u00e4tzungen<\/li>\n<li>\u00dcberspringen Sie niemals eine strenge Validierung und Unsicherheitsquantifizierung<\/li>\n<li>Surrogate als lebende Komponenten behandeln, die gewartet werden m\u00fcssen, wenn sich Simulationen entwickeln<\/li>\n<\/ul>\n<p><strong>Wann Surrogate zu vermeiden<\/strong>: Wenn Ihre Simulation bereits schnell ist (&lt; wenige Sekunden), haben Sie kein Trainingsdatenbudget oder Sie erforschen v\u00f6llig neue physische Regime, bei denen eine Extrapolation unzuverl\u00e4ssig w\u00e4re.<\/p>\n<p><strong>Beschleunigung Ihrer Simulationen?<\/strong> Matforge bietet Beratung zum Aufbau vertrauensw\u00fcrdiger Ersatzmodelle, die auf Ihre spezifischen PDE-basierten Workflows zugeschnitten sind. Kontaktieren Sie uns, um Ihr Projekt zu besprechen.<\/p>\n<hr>\n<h2>Referenzen<\/h2>\n<p>[1] Forrester, A., Sobester, A. &amp; Keane, A. (2008). Engineering Design \u00fcber Surrogate Modeling: Ein praktischer Leitfaden. Wiley.<\/p>\n<p>[2] &#8222;Maschinenlernen Surrogate gegen direkte Simulation.&#8220; KI-\u00dcbersicht, Google-Suche, 2025.<\/p>\n<p>[3] Franco, N. R., et al. (2023). &#8222;Deep Learning-basierte Ersatzmodelle f\u00fcr parametrisierte PDEs: Umgang mit geometrischen Variabilit\u00e4t durch neuronale Graphennetze.&#8220; <em>Chaos: Eine interdisziplin\u00e4re Zeitschrift f\u00fcr nichtlineare Wissenschaft <\/em>, 33 (12). <a href=\"https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/Deep-learning-based-surrogate-models-for\">https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/deep-learning-based-surrogate-models-for<\/a><\/p>\n<p>[4] Marrel, A., et al. (2024). &#8222;Probabilistische Surrogat-Modellierung durch Gau\u00dfsches Verfahren.&#8220; <em>Journal of Quality Technology <\/em>. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0951832024001686\">https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/s0951832024001686<\/a><\/p>\n<p>[5] Chen, X., et al. (2021). &#8222;Ein verbessertes datenfreies Ersatzmodell zur L\u00f6sung von partiellen Differentialgleichungen.&#8220; <em>Wissenschaftliche Berichte<\/em>, 11, 19837. <a href=\"https:\/\/www.nature.com\/articles\/s41598-021-99037-x\">https:\/\/www.nature.com\/articles\/s41598-021-99037-x<\/a><\/p>\n<p>[6] Sudret, B. (2023). &#8222;Surrogat-Modelle f\u00fcr die Quantifizierung der Unsicherheit: Ein \u00dcberblick.&#8220; <em>Simtech<\/em>, Universit\u00e4t Stuttgart. <a href=\"https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/\">https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/<\/a><\/p>\n<p>[7] Gopakumar, V., et al. (2024). &#8222;Unsicherheitsquantifizierung von Ersatzmodellen unter Verwendung konformer Vorhersage.&#8220; <em>arXiv: 2408.09881 <\/em>. <a href=\"https:\/\/arxiv.org\/abs\/2408.09881\">https:\/\/arxiv.org\/abs\/2408.09881<\/a><\/p>\n<p>[8] Pestourie, R., et al. (2020). &#8222;Aktives Lernen von tiefen Surrogaten f\u00fcr PDEs: Anwendung auf Umkehr- und Zuverl\u00e4ssigkeitsprobleme.&#8220; <em>NPJ-Berechnungsmaterialien<\/em>, 6, 149. <a href=\"https:\/\/www.nature.com\/articles\/s41524-020-00431-2\">https:\/\/www.nature.com\/articles\/s41524-020-00431-2<\/a><\/p>\n<p>[9] Zahura, F.T., et al. (2020). &#8222;Training Machine Learning Ersatzmodelle aus einem physikbasierten High-Fidelity-Modell.&#8220; <em> Wasserressourcenforschung <\/em>, 56 (6). <a href=\"https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019WR027038\">https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019wr027038<\/a><\/p>\n<p>[10] Rios, T., et al. (2024). &#8222;Model-assistierte Ersatzmodellierung in gro\u00dfer Sprache.&#8220; <em>Honda Research Institute<\/em>. <a href=\"https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf\">https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf<\/a><\/p>\n<p>[11] Lons, M. A. (2024). &#8222;Vermeidung g\u00e4ngiger Fallstricke im maschinellen Lernen.&#8220; <em>Journal of Machine Learning Research <\/em>, 25 (89). <a href=\"https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11573893\/\">https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/pmc11573893\/<\/a><\/p>\n<p>[12] &#8222;Unsicherheitsquantifizierung und Surrogate f\u00fcr maschinelles Lernen.&#8220; <em>Ruhr-Universit\u00e4t Bochum<\/em>, 2024. <a href=\"https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf\">https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf<\/a><\/p>\n<p>[13] Nguyen, B.D., et al. (2024). &#8222;Effiziente Ersatzmodelle f\u00fcr materialwissenschaftliche Simulationen.&#8220; <em>Materials &amp; Design<\/em>, 235. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2666827024000203\">https:\/\/www.sciencedirect.com\/science\/article\/pii\/s266827024000203<\/a><\/p>\n<p>[14] &#8222;Unsicherheitsquantifizierung f\u00fcr wissenschaftliches Rechnen.&#8220; <em>Geilo Winterschule<\/em>, ETH Z\u00fcrich, 2026. <a href=\"https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-uncertainty-quantification\/\">https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-Uncertainty-Quantifizierung\/<\/a><\/p>\n","protected":false,"raw":"<p>Machine Learning (ML) Surrogate sind schnelle, datengesteuerte N\u00e4herungen teurer wissenschaftlicher Simulationen. Sie erm\u00f6glichen Vorhersagen in Echtzeit, massive Erforschung des Designraums und die Quantifizierung der Unsicherheit, die allein mit direkter Simulation unm\u00f6glich w\u00e4ren. Verwenden Sie Surrogate, wenn Sie eine iterative Optimierung oder Tausende von Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige Validierung oder wenn eine hohe Genauigkeit nicht verhandelbar ist. Dieser Leitfaden behandelt die Grundlagen, Typen, Implementierungsworkflows und kritischen Fallstricke.<\/p>\n<h2>Einleitung: Der rechnerische Engpass<\/h2>\n<p>Wissenschaftliche Simulationen - ob das L\u00f6sen von partiellen Differentialgleichungen (PDEs) mit FIPY, der laufenden Finite-Elemente-Analyse oder der Modellierung der Fl\u00fcssigkeitsdynamik - sind rechnerisch teuer. Eine einzige High-Fidelity-Simulation kann Stunden, Tage oder sogar Wochen auf leistungsstarker Hardware dauern. Wenn Sie Hunderte von Designvarianten untersuchen, eine Sensitivit\u00e4tsanalyse durchf\u00fchren oder mit Tausenden von Proben eine Unsicherheitsquantifizierung durchf\u00fchren m\u00fcssen, werden die Berechnungskosten unerschwinglich.<\/p>\n<p>Hier kommen maschinelle Learning-Surrogate ins Spiel.<\/p>\n<h2>Was sind maschinelles Lernen?<\/h2>\n<p>Ein <strong>Ersatzmodell <\/strong> (oder Metamodell) ist ein schnelles, ungef\u00e4hres Modell, das das Eingabe-Ausgabe-Verhalten einer komplexen, teuren Simulation nachahmt [1]. Anstatt die vollst\u00e4ndigen physikbasierten Gleichungen jedes Mal zu l\u00f6sen, trainieren Sie ein maschinelles Lernmodell an einer begrenzten Anzahl von Simulationsergebnissen und machen es dann, um sofortige Vorhersagen f\u00fcr neue Eingaben zu treffen.<\/p>\n<p>Stellen Sie sich das so vor:<\/p>\n<ul>\n<li><strong>Direkte Simulation<\/strong>: Hohe Genauigkeit, hohe Kosten, physikbasiert<\/li>\n<li><strong>ml Surrogate<\/strong>: Gute Ann\u00e4herung, kostennahe Nullkosten, datengesteuert<\/li>\n<\/ul>\n<p>Der Kompromiss ist klar: Surrogate opfern etwas Genauigkeit f\u00fcr massive Geschwindigkeitsgewinne und erm\u00f6glichen Aufgaben, die sonst unm\u00f6glich w\u00e4ren.<\/p>\n<h3>Schl\u00fcsselterminologie<\/h3>\n<ul>\n<li><strong>Trainingsdaten<\/strong>: Eine Reihe von Eingabeparametern und entsprechenden Simulationsausgaben, die zum Surrogat verwendet werden.<\/li>\n<li><strong>Ersatzmodell<\/strong>: Das ML-Modell, das sich der Simulation ann\u00e4hert.<\/li>\n<li><strong>Aktives Lernen<\/strong>: Strategische Auswahl neuer Simulationspunkte, um die Leihmutter am meisten zu verbessern.<\/li>\n<li><strong>Unsicherheitsquantifizierung (UQ)<\/strong>: Sch\u00e4tzen des Vertrauens oder der Fehlergrenzen von Ersatzvorhersagen.<\/li>\n<\/ul>\n<h2>Wann verwenden Sie ML-Surrogate vs. Direkte Simulation?<\/h2>\n<p>Nicht jedes Problem profitiert von der Ersatzmodellierung. Die unten stehende Entscheidungsmatrix fasst zusammen, wann die einzelnen Vorgehensweisen ausgew\u00e4hlt werden [2]:<\/p>\n<table>\n<thead>\n<tr>\n<th>Funktion<\/th>\n<th>Maschinelles Lernen<\/th>\n<th>Direkte Simulation<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Geschwindigkeit<\/strong><\/td>\n<td>Sofort \/ Echtzeit<\/td>\n<td>Langsam (Stunden\/Tage)<\/td>\n<\/tr>\n<tr>\n<td><strong>Genauigkeit<\/strong><\/td>\n<td>Gute Ann\u00e4herung<\/td>\n<td>Hoch \/ Boden Wahrheit<\/td>\n<\/tr>\n<tr>\n<td><strong>Kosten<\/strong><\/td>\n<td>Niedrig (nach dem Training)<\/td>\n<td>Hoch<\/td>\n<\/tr>\n<tr>\n<td><strong>Datenanforderung<\/strong><\/td>\n<td>Hoch (zum Training)<\/td>\n<td>Keine (physikbasiert)<\/td>\n<\/tr>\n<tr>\n<td><strong>Best for<\/strong><\/td>\n<td>Iteratives Design, Optimierung<\/td>\n<td>Validierung, neue Physik<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Verwenden Sie ML-Surrogate, wenn:<\/strong><\/p>\n<ul>\n<li>Hohe Rechenkosten (Stunden\/Tage pro Lauf)<\/li>\n<li>iteratives Design\/Optimierung (100-1000 Evaluierungen)<\/li>\n<li>Echtzeit-Interaktion oder benutzerorientierte Apps<\/li>\n<li>Unsicherheitsquantifizierung (Monte Carlo braucht 1000 L\u00e4ufe)<\/li>\n<\/ul>\n<p><strong>Verwenden Sie direkte Simulation, wenn:<\/strong><\/p>\n<ul>\n<li>Endg\u00fcltige Genauigkeit erforderlich (Endg\u00fcltige Validierung, Sicherheitszertifizierungen)<\/li>\n<li>Einmalige Analysen (Training Data Cost &gt; Benefit)<\/li>\n<li>Neue k\u00f6rperliche Regime ohne Trainingsdaten<\/li>\n<li>regulatorische oder sicherheitskritische Zertifizierung<\/li>\n<\/ul>\n<p><strong>Bottom line<\/strong>: Erstellen Sie eine Leihmutter, wenn Sie die Simulation mit leicht unterschiedlichen Eingaben mehrmals auswerten m\u00fcssen. Verwenden Sie direkte Simulation f\u00fcr endg\u00fcltige \u00dcberpr\u00fcfungen, neuartige Szenarien oder wenn die Simulation bereits schnell genug ist.<\/p>\n<h2>Arten von maschinellen Learning-Surrogatmodellen<\/h2>\n<p>Mehrere ML-Architekturen werden h\u00e4ufig f\u00fcr die Ersatzmodellierung verwendet, die jeweils St\u00e4rken und Kompromisse [3]:<\/p>\n<h3>1. Gau\u00dfsche Prozesse (Kriging)<\/h3>\n<p>Gau\u00dfsche Prozesse (GPS) sind eine nat\u00fcrliche Wahl f\u00fcr wissenschaftliche Surrogate, da sie <strong> probabilistische Vorhersagen liefern <\/strong> - nicht nur einen Wert, sondern auch eine Unsicherheitssch\u00e4tzung [4]. Dies ist von unsch\u00e4tzbarem Wert f\u00fcr risikobewusstes Design und aktives Lernen.<\/p>\n<p><strong>Profis:<\/strong><\/p>\n<ul>\n<li>Eingebaute Unsicherheitsquantifizierung<\/li>\n<li>Funktioniert gut mit kleinen bis mittleren Datens\u00e4tzen (&lt; 10.000 Punkte)<\/li>\n<li>Robust bis \u00dcberanpassung mit dem richtigen Kovarianzkern<\/li>\n<\/ul>\n<p><strong>cons:<\/strong><\/p>\n<ul>\n<li>Skaliert schlecht mit Trainingsdatengr\u00f6\u00dfe (O(n\u00b3)-Inferenz)<\/li>\n<li>Begrenzt auf niedrige bis moderate Eingangsabmessungen (&lt; 50)<\/li>\n<\/ul>\n<p><strong>Best for<\/strong>: Engineering-Design-Optimierung, kleine Parameterr\u00e4ume, Anwendungen, bei denen Unsicherheitsgrenzen kritisch sind.<\/p>\n<h3>2. Neurale Netzwerke und Deep Learning<\/h3>\n<p>Neurale Netze, insbesondere Deep-Architekturen, zeichnen sich durch <strong>gro\u00dfe Datens\u00e4tze<\/strong> und <strong>hochdimensionale Eingaben<\/strong> [5] aus. J\u00fcngste Fortschritte wie Fourier Neural Operators (FNOs) und Physik-informierte Neuralnetze (PINNs) k\u00f6nnen sogar lernen, ganze Familien von PDEs zu l\u00f6sen.<\/p>\n<p><strong>Profis:<\/strong><\/p>\n<ul>\n<li>Schnelle Inferenz nach dem Training<\/li>\n<li>Behandelt hochdimensionale Eingaben und komplexe Beziehungen<\/li>\n<li>Kann physikalische Einschr\u00e4nkungen (Pinns) einbeziehen<\/li>\n<\/ul>\n<p><strong>cons:<\/strong><\/p>\n<ul>\n<li>Erfordert umfangreiche Trainingsdaten<\/li>\n<li>Black-Box-Natur; Unsicherheitsquantifizierung erfordert zus\u00e4tzliche Techniken<\/li>\n<li>\u00dcberanpassungsgefahr ohne sorgf\u00e4ltige Regularisierung<\/li>\n<\/ul>\n<p><strong>Best for<\/strong>: Probleme im gro\u00dfen Ma\u00dfstab, bild\u00e4hnliche Daten (z. B. Feldausgaben), Operator Learning (Mapping-Parameter zu vollst\u00e4ndigen L\u00f6sungsfeldern).<\/p>\n<h3>3. Polynom-Chaos-Erweiterung (PCE)<\/h3>\n<p>PCE repr\u00e4sentiert die Simulationsausgabe als spektrale Expansion in Bezug auf orthogonale Polynome der zuf\u00e4lligen Eingaben [6]. Es eignet sich besonders gut f\u00fcr <strong> probabilistische Eingabeverteilungen <\/strong> und liefert analytische Ausdr\u00fccke f\u00fcr Momente.<\/p>\n<p><strong>Profis:<\/strong><\/p>\n<ul>\n<li>Effizient f\u00fcr m\u00e4\u00dfige Eingabedimensionen<\/li>\n<li>Direkter Zugriff auf statistische Momente (Mittelwert, Varianz)<\/li>\n<li>Strenge mathematische Grundlage<\/li>\n<\/ul>\n<p><strong>cons:<\/strong><\/p>\n<ul>\n<li>setzt eine reibungslose Abh\u00e4ngigkeit von Eingaben voraus<\/li>\n<li>Fluch der Dimensionalit\u00e4t \u00fcber ~20 Variablen hinaus<\/li>\n<li>Ben\u00f6tigt spezialisierte Basiskonstruktion<\/li>\n<\/ul>\n<p><strong>Best for<\/strong>: Unsicherheitsausbreitung, Sensitivit\u00e4tsanalyse, wenn die Eingaben unabh\u00e4ngig sind und Verteilungen bekannt sind.<\/p>\n<h3>4. Andere Methoden<\/h3>\n<ul>\n<li><strong>Sparse-Gitter<\/strong>: F\u00fcr niedrigdimensionale Probleme mit teuren Simulationen<\/li>\n<li><strong>Zuf\u00e4llige W\u00e4lder \/ Gradientenverst\u00e4rkung<\/strong>: F\u00fcr tabellarische Daten mit nicht glatten Antworten<\/li>\n<li><strong>Support-Vektormaschinen<\/strong>: F\u00fcr kleinere Datens\u00e4tze mit klaren Margen<\/li>\n<\/ul>\n<h2>Aufbau eines Ersatzes: Der Workflow<\/h2>\n<p>Das Erstellen eines vertrauensw\u00fcrdigen Ersatzes umfasst mehrere kritische Schritte [7]:<\/p>\n<h3>Schritt 1: Definieren Sie den Eingaberaum<\/h3>\n<p>Geben Sie den Bereich und die Verteilung der Eingabeparameter an, die der Ersatz abdecken soll. Realistisch sein \u2013 Surrogate k\u00f6nnen \u00fcber den Trainingsdatenbereich hinaus nicht zuverl\u00e4ssig extrapolieren.<\/p>\n<p><strong>Allgemeiner Fehler<\/strong>: Definieren eines \u00fcberm\u00e4\u00dfig breiten Eingaberaums \"nur f\u00fcr den Fall\". Surrogate interpolieren; Sie extrapolieren nicht gut. Es ist besser, mehrere spezialisierte Surrogate zu trainieren als eine allgemeine, die au\u00dferhalb ihrer Ausbildung wild err\u00e4t.<\/p>\n<h3>Schritt 2: Trainingsdaten generieren<\/h3>\n<p>F\u00fchren Sie die High-Fidelity-Simulation an einer Reihe von abgetasteten Eingabepunkten aus. Die Qualit\u00e4t und Abdeckung dieses Datensatzes bestimmen die Genauigkeit des Surrogates.<\/p>\n<p><strong>Sampling-Strategien:<\/strong><\/p>\n<ul>\n<li><strong>Lateinische Hypercube-Probenahme (LHS)<\/strong>: Gute raumf\u00fcllende Eigenschaften f\u00fcr m\u00e4\u00dfige Abmessungen<\/li>\n<li><strong>SOBOL-Sequenzen<\/strong>: Sequenzen mit geringer Diskrepanz f\u00fcr eine gleichm\u00e4\u00dfige Abdeckung<\/li>\n<li><strong>Aktives Lernen<\/strong>: F\u00fcgt iterativ Punkte hinzu, bei denen der Ersatz am unsichersten ist (reduziert die erforderlichen Gesamtsimulationen)<\/li>\n<\/ul>\n<p><strong>Warnung<\/strong>: Die Generierung von Trainingsdaten ist oft der Engpass \u2013 es ist teuer! Aktives Lernen kann die Anzahl der erforderlichen Simulationen um 50% oder mehr reduzieren [8].<\/p>\n<h3>Schritt 3: W\u00e4hlen und trainieren Sie das Modell<\/h3>\n<p>W\u00e4hlen Sie einen Ersatztyp basierend auf Ihrer Problemgr\u00f6\u00dfe, dem Datenvolumen und dem Bedarf an Unsicherheitssch\u00e4tzungen aus. Trainieren Sie auf dem Datensatz, indem Sie die Kreuzvalidierung verwenden, um Hyperparameter zu optimieren.<\/p>\n<p><strong>Schl\u00fcssel\u00fcberlegungen:<\/strong><\/p>\n<ul>\n<li>Ein- und Ausg\u00e4nge normalisieren<\/li>\n<li>Daten in Trainings-\/Validierungs-\/Tests\u00e4tze aufteilen<\/li>\n<li>Monitor f\u00fcr \u00dcberanpassung (perfekte Trainingsgenauigkeit, schlechte Validierung)<\/li>\n<\/ul>\n<h3>Schritt 4: Validieren Sie den Ersatz<\/h3>\n<p>Vertraue niemals einem Ersatz ohne strenge Validierung [9]. Verwenden Sie Metriken wie:<\/p>\n<ul>\n<li><strong>R\u00b2-Score<\/strong> (Bestimmungskoeffizient)<\/li>\n<li><strong>Root Mean Squared Error (RMSE)<\/strong><\/li>\n<li><strong>Mittelwertfehler (MAE)<\/strong><\/li>\n<li><strong>Maximaler absoluter Fehler<\/strong> (katastrophale Fehler)<\/li>\n<\/ul>\n<p>Zeichnen Sie auch Residuen und Vorhersage gegen\u00fcber tats\u00e4chlichen Werten. Suchen Sie nach systematischer Verzerrung oder Heteroskedastizit\u00e4t.<\/p>\n<p><strong>Essential Practice<\/strong>: F\u00fchren Sie einen ausgehaltenen Testsatz von Simulationsl\u00e4ufen, die w\u00e4hrend des Trainings oder der Hyperparameter-Tuning nie verwendet wurden. Dies ergibt eine unvoreingenommene Sch\u00e4tzung der realen Leistung.<\/p>\n<h3>Schritt 5: Mit Vorsicht bereitstellen<\/h3>\n<p>Nach der Validierung kann der Ersatz f\u00fcr eine schnelle Erkundung verwendet werden. Jedoch:<\/p>\n<ul>\n<li><strong>Verwenden Sie niemals einen Ersatz au\u00dferhalb der validierten Eingabedom\u00e4ne<\/strong><\/li>\n<li><strong>Verifizieren Sie kritische Vorhersagen immer mit einer direkten Simulation<\/strong> (insbesondere f\u00fcr endg\u00fcltige Designs)<\/li>\n<li><strong>\u00dcberwachen Sie die Degradation<\/strong> im Laufe der Zeit, da das zugrunde liegende System m\u00f6glicherweise driftet<\/li>\n<\/ul>\n<h2>Unsicherheitsquantifizierung: Warum und wie<\/h2>\n<p>Ersatzvorhersagen ohne Unsicherheitsgrenzen sind gef\u00e4hrlich - sie sehen pr\u00e4zise aus, k\u00f6nnen aber sehr falsch sein [10]. Die Unsicherheitsquantifizierung (UQ) gibt an, wie sehr Sie jeder Vorhersage vertrauen sollten.<\/p>\n<h3>Quellen der Unsicherheit<\/h3>\n<ol>\n<li><strong>Aleatorische Unsicherheit<\/strong>: inh\u00e4rente Zuf\u00e4lligkeit bei Eingaben (z. B. Materialeigenschaften innerhalb von Toleranzbereichen)<\/li>\n<li><strong>Epistemische Unsicherheit<\/strong>: Mangel an Wissen aufgrund begrenzter Trainingsdaten; Reduziert, wenn Sie mehr Daten hinzuf\u00fcgen<\/li>\n<\/ol>\n<p>Ein gutes Ersatzmodell quantifiziert beides. Gau\u00dfsche Prozesse liefern dies nat\u00fcrlich \u00fcber pr\u00e4diktive Varianz. F\u00fcr neuronale Netze k\u00f6nnen Sie verwenden:<\/p>\n<ul>\n<li><strong>Monte Carlo Dropout<\/strong>: Mehrere Forward-P\u00e4sse mit Aussetzer aktiviert, um eine pr\u00e4diktive Verteilung zu erhalten<\/li>\n<li><strong>Deep Ensembles<\/strong>: Trainieren Sie mehrere Netzwerke und nutzen Sie Vorhersagevarianz<\/li>\n<li><strong>Konforme Vorhersage<\/strong>: Verteilungsfreie Unsicherheitsgarantien [11]<\/li>\n<\/ul>\n<h3>Aktives Lernen mit Unsicherheit<\/h3>\n<p>Aktives Lernen nutzt die Unsicherheit des Leihmutterschafts, um zu entscheiden, wo die n\u00e4chste teure Simulation durchgef\u00fchrt werden soll [12]. Die allgemeine Strategie:<\/p>\n<ol>\n<li>Trainieren Sie den ersten Ersatz f\u00fcr kleine Datens\u00e4tze<\/li>\n<li>Identifizieren Sie Regionen, in denen die Vorhersageunsicherheit am h\u00f6chsten ist (oder in denen Ausf\u00e4lle wahrscheinlich sind)<\/li>\n<li>F\u00fchren Sie Simulationen an diesen Punkten aus<\/li>\n<li>Mit erweitertem Datensatz neu trainieren<\/li>\n<li>Wiederholen, bis die Unsicherheit akzeptabel oder das Budget ersch\u00f6pft<\/li>\n<\/ol>\n<p>Dieser Ansatz kann mit weitaus weniger Simulationen die gleiche Genauigkeit erreichen als die gleichm\u00e4\u00dfige Abtastung.<\/p>\n<h2>H\u00e4ufige Fallstricke und wie man sie vermeidet<\/h2>\n<p>Auf der Grundlage der Literatur und der praktischen Erfahrung [13] sind hier die h\u00e4ufigsten Fehler:<\/p>\n<h3>1. Unzureichende oder qualitativ minderwertige Trainingsdaten<\/h3>\n<p><strong>Problem<\/strong>: Zu wenige Simulationsl\u00e4ufe oder Samples, die in einem Bereich gruppiert sind, wodurch gro\u00dfe L\u00fccken im Eingaberaum entstehen.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Verwenden Sie raumf\u00fcllende Designs (LHS, SOBOL) und bewerten Sie die Abdeckung. Aktives Lernen kann dabei helfen, sp\u00e4rliche Regionen anzuvisieren. Als Faustregel gilt, dass mindestens 10 \u00d7 mehr Trainingspunkte als Eingabedimensionen anstreben, obwohl dies unterschiedlich ist.<\/p>\n<h3>2. Extrapolation jenseits des Trainingsbereichs<\/h3>\n<p><strong>Problem<\/strong>: Verwenden der Ersatz f\u00fcr Eingabekombinationen, die von einem Trainingspunkt entfernt sind.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Definieren Sie klare operative Grenzen. Implementieren Sie die \"Out-of-Distribution\" -Erkennung (z. B. Entfernung zum n\u00e4chsten Trainingspunkt, Vorhersagevarianzschwellen). Geben Sie eine Warnung zur\u00fcck oder lehnen Sie es ab, vorherzusagen, wann sich die Eingaben au\u00dferhalb des validierten Bereichs befinden.<\/p>\n<h3>3. Ignorieren der Unsicherheitsquantifizierung<\/h3>\n<p><strong>Problem<\/strong>: Surrogat-Vorhersagen als Grundwahrheit behandeln.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Melden Sie immer Vorhersageintervalle. Verwenden Sie bei der Optimierung konservative Kriterien (z. B. niedrigere Konfidenzgrenze), um falsches Vertrauen zu vermeiden.<\/p>\n<h3>4. \u00dcberanpassen der Trainingsdaten<\/h3>\n<p><strong>Problem<\/strong>: Surrogate merkt sich Trainingspunkte, verallgemeinert aber nicht.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Verwenden Sie nach M\u00f6glichkeit Kreuzvalidierung, Regularisierung und einfache Modelle. Verwenden Sie f\u00fcr neuronale Netze Aussetzer, Gewichtsabfall und fr\u00fchzeitiges Stoppen. \u00dcberwachen Sie den Validierungsfehler, nicht nur den Trainingsfehler.<\/p>\n<h3>5. Vernachl\u00e4ssigung der Modellwartung<\/h3>\n<p><strong>Problem<\/strong>: Einmal trainieren und vergessen, auch wenn sich der zugrunde liegende Simulationscode oder die Physik \u00e4ndert.<\/p>\n<p><strong>L\u00f6sung<\/strong>: Behandeln Sie Surrogate wie jede Forschungssoftware: Verfolgen Sie Versionen, trainieren Sie neu, wenn Simulationsaktualisierungen auftreten, und dokumentieren Sie Datenquellen. Best Practices finden Sie in unserem Leitfaden zu <a href=\"\/tracking-long-term-technical-debt-in-research-software\/\">Nachverfolgung langfristiger technischer Schulden in der Forschungssoftware<\/a>.<\/p>\n<h2>Tools und Frameworks<\/h2>\n<p>Mehrere Open-Source-Bibliotheken unterst\u00fctzen die Surrogat-Modellierung und UQ [14]:<\/p>\n<ul>\n<li><strong>OpenTurns<\/strong>: Eine umfassende Bibliothek f\u00fcr Unsicherheitsanalyse und Metamodellierung (C++\/Python)<\/li>\n<li><strong>UQlab<\/strong>: MATLAB-basiertes Framework f\u00fcr UQ- und Surrogat-Modellierung<\/li>\n<li><strong>Scicit-Learn<\/strong>: Python-Bibliothek mit Gau\u00dfschen Prozessen, zuf\u00e4lligen W\u00e4ldern und mehr<\/li>\n<li><strong>gpy<\/strong> \/ <strong>gpyTorch<\/strong>: Gau\u00dfsche Prozess-Frameworks f\u00fcr Python<\/li>\n<li><strong>PyTorch<\/strong> \/ <strong>TensorFlow<\/strong>: F\u00fcr benutzerdefinierte neuronale Netzwerk-Surrogate<\/li>\n<li><strong>UQ4CFD<\/strong>: Spezialplattform f\u00fcr die Quantifizierung der CFD-Unsicherheit<\/li>\n<\/ul>\n<p>F\u00fcr FIPY-Benutzer k\u00f6nnen Sie Surrogate auf Workflow-Ebene integrieren: Verwenden Sie den Ersatz, um viele Parameterkombinationen zu \u00fcberpr\u00fcfen, und f\u00fchren Sie FIPY nur bei den vielversprechendsten Kandidaten aus.<\/p>\n<h2>Integration mit Simulations-Workflows<\/h2>\n<p>Surrogate ersetzen keine Simulationen; Sie erg\u00e4nzen sie. Typische Integrationsmuster:<\/p>\n<ol>\n<li><strong>Pre-Screening<\/strong>: Beseitigen Sie schlechte Designs schnell, bevor Sie sich zu einer teuren Simulation engagieren<\/li>\n<li><strong>Optimierungsschleifen<\/strong>: Surrogat als kosteng\u00fcnstige Zielfunktion verwenden; Regelm\u00e4\u00dfig mit direkter Simulation validieren<\/li>\n<li><strong>Unsicherheitsausbreitung<\/strong>: F\u00fchren Sie tausendfach Surrogate aus, um die Ausgabeverteilungen zu bewerten<\/li>\n<li><strong>Echtzeitsteuerung<\/strong>: Stellen Sie Surrogate in eingebetteten Systemen oder interaktiven Tools bereit<\/li>\n<\/ol>\n<p><strong>Beispiel<\/strong>: In <a href=\"\/real-world-applications-of-computational-materials-science\/\">Materials Science<\/a> k\u00f6nnen Sie einen Ersatz f\u00fcr die Vorhersage der Phasenfeldentwicklung unter materiellen Parametern trainieren. Verwenden Sie es, um den Parameterraum schnell zu erkunden, und \u00fcberpr\u00fcfen Sie dann die optimalen Punkte mit vollst\u00e4ndigen FIPY-Simulationen.<\/p>\n<h2>Fallstudie: Metamaterial Design mit aktivem Lernen<\/h2>\n<p>Eine \u00fcberzeugende Demonstration kommt von Metamaterial Design [8]. Die Forscher mussten die Bandstruktur eines photonischen Kristalls optimieren - eine Aufgabe, die Hunderte teurer elektromagnetischer Simulationen erfordert. Sie verwendeten einen Gau\u00dfschen Prozess-Surrogat mit aktivem Lernen:<\/p>\n<ol>\n<li>Begonnen mit 50 Simulationsl\u00e4ufen<\/li>\n<li>Verwendet die pr\u00e4diktive Varianz des Hausarztes, um zu identifizieren, wo zus\u00e4tzliche Daten die Unsicherheit am st\u00e4rksten verringern w\u00fcrden<\/li>\n<li>150 weitere gezielte Simulationen ausgef\u00fchrt<\/li>\n<li>Erzielte genaue Ersatz nach nur 200 L\u00e4ufen (gegen\u00fcber 500+ bei gleichm\u00e4\u00dfiger Probenahme)<\/li>\n<li>Benutzte Ersatz, um mehr als 10.000 Designkandidaten sofort zu erkunden<\/li>\n<\/ol>\n<p>Das Ergebnis: Entdeckung neuartiger Bandl\u00fccken-Konfigurationen, die allein durch direkte Simulation nicht m\u00f6glich gewesen w\u00e4ren.<\/p>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Verwalten von PDE-Problemen im gro\u00dfen Ma\u00dfstab<\/a> \u2013 Wenn Simulationen teuer genug werden, um Ersatz zu ben\u00f6tigen<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">Von Gleichungen zu Simulationen<\/a> \u2013 Der vollst\u00e4ndige Modellierungs-Workflow<\/li>\n<li><a href=\"\/code-coupling-precice-multi-physics-python\/\">Codekopplung mit Precice<\/a> \u2013 Multiphysische Kontexte, in denen Surrogate die Kopplung beschleunigen k\u00f6nnen<\/li>\n<li><a href=\"\/visualizing-simulation-results-effectively\/\">Simulationsergebnisse effektiv visualisieren<\/a> \u2013 Surrogat-Vorhersagen und -unsicherheit pr\u00e4sentieren<\/li>\n<li><a href=\"\/reproducibility-and-its-role-in-debugging\/\">Reproduzierbarkeit und ihre Rolle beim Debuggen<\/a> \u2013 Aufrechterhaltung vertrauensw\u00fcrdiger Ersatzmodelle<\/li>\n<\/ul>\n<h2>Fazit und n\u00e4chste Schritte<\/h2>\n<p>Machine Learning Surrogate sind leistungsstarke Werkzeuge zur Beschleunigung der wissenschaftlichen Entdeckung und des technischen Designs. Sie transformieren rechnerisch unerschwingliche Probleme in traktierbare, indem sie das Mapping von Eingaben zu Ausgaben aus einer begrenzten Anzahl von High-Fidelity-Simulationen lernen.<\/p>\n<p><strong>Key Takeaways:<\/strong><\/p>\n<ul>\n<li>Verwenden Sie Surrogate, wenn Sie viele schnelle Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige Validierung<\/li>\n<li>W\u00e4hlen Sie den Modelltyp basierend auf Datengr\u00f6\u00dfe, Dimensionalit\u00e4t und Bedarf an Unsicherheitssch\u00e4tzungen<\/li>\n<li>\u00dcberspringen Sie niemals eine strenge Validierung und Unsicherheitsquantifizierung<\/li>\n<li>Surrogate als lebende Komponenten behandeln, die gewartet werden m\u00fcssen, wenn sich Simulationen entwickeln<\/li>\n<\/ul>\n<p><strong>Wann Surrogate zu vermeiden<\/strong>: Wenn Ihre Simulation bereits schnell ist (&lt; wenige Sekunden), haben Sie kein Trainingsdatenbudget oder Sie erforschen v\u00f6llig neue physische Regime, bei denen eine Extrapolation unzuverl\u00e4ssig w\u00e4re.<\/p>\n<p><strong>Beschleunigung Ihrer Simulationen?<\/strong> Matforge bietet Beratung zum Aufbau vertrauensw\u00fcrdiger Ersatzmodelle, die auf Ihre spezifischen PDE-basierten Workflows zugeschnitten sind. Kontaktieren Sie uns, um Ihr Projekt zu besprechen.<\/p>\n<hr>\n<h2>Referenzen<\/h2>\n<p>[1] Forrester, A., Sobester, A. &amp; Keane, A. (2008). Engineering Design \u00fcber Surrogate Modeling: Ein praktischer Leitfaden. Wiley.<\/p>\n<p>[2] \"Maschinenlernen Surrogate gegen direkte Simulation.\" KI-\u00dcbersicht, Google-Suche, 2025.<\/p>\n<p>[3] Franco, N. R., et al. (2023). \"Deep Learning-basierte Ersatzmodelle f\u00fcr parametrisierte PDEs: Umgang mit geometrischen Variabilit\u00e4t durch neuronale Graphennetze.\" <em>Chaos: Eine interdisziplin\u00e4re Zeitschrift f\u00fcr nichtlineare Wissenschaft <\/em>, 33 (12). <a href=\"https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/Deep-learning-based-surrogate-models-for\">https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/deep-learning-based-surrogate-models-for<\/a><\/p>\n<p>[4] Marrel, A., et al. (2024). \"Probabilistische Surrogat-Modellierung durch Gau\u00dfsches Verfahren.\" <em>Journal of Quality Technology <\/em>. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0951832024001686\">https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/s0951832024001686<\/a><\/p>\n<p>[5] Chen, X., et al. (2021). \"Ein verbessertes datenfreies Ersatzmodell zur L\u00f6sung von partiellen Differentialgleichungen.\" <em>Wissenschaftliche Berichte<\/em>, 11, 19837. <a href=\"https:\/\/www.nature.com\/articles\/s41598-021-99037-x\">https:\/\/www.nature.com\/articles\/s41598-021-99037-x<\/a><\/p>\n<p>[6] Sudret, B. (2023). \"Surrogat-Modelle f\u00fcr die Quantifizierung der Unsicherheit: Ein \u00dcberblick.\" <em>Simtech<\/em>, Universit\u00e4t Stuttgart. <a href=\"https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/\">https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/<\/a><\/p>\n<p>[7] Gopakumar, V., et al. (2024). \"Unsicherheitsquantifizierung von Ersatzmodellen unter Verwendung konformer Vorhersage.\" <em>arXiv: 2408.09881 <\/em>. <a href=\"https:\/\/arxiv.org\/abs\/2408.09881\">https:\/\/arxiv.org\/abs\/2408.09881<\/a><\/p>\n<p>[8] Pestourie, R., et al. (2020). \"Aktives Lernen von tiefen Surrogaten f\u00fcr PDEs: Anwendung auf Umkehr- und Zuverl\u00e4ssigkeitsprobleme.\" <em>NPJ-Berechnungsmaterialien<\/em>, 6, 149. <a href=\"https:\/\/www.nature.com\/articles\/s41524-020-00431-2\">https:\/\/www.nature.com\/articles\/s41524-020-00431-2<\/a><\/p>\n<p>[9] Zahura, F.T., et al. (2020). \"Training Machine Learning Ersatzmodelle aus einem physikbasierten High-Fidelity-Modell.\" <em> Wasserressourcenforschung <\/em>, 56 (6). <a href=\"https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019WR027038\">https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019wr027038<\/a><\/p>\n<p>[10] Rios, T., et al. (2024). \"Model-assistierte Ersatzmodellierung in gro\u00dfer Sprache.\" <em>Honda Research Institute<\/em>. <a href=\"https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf\">https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf<\/a><\/p>\n<p>[11] Lons, M. A. (2024). \"Vermeidung g\u00e4ngiger Fallstricke im maschinellen Lernen.\" <em>Journal of Machine Learning Research <\/em>, 25 (89). <a href=\"https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11573893\/\">https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/pmc11573893\/<\/a><\/p>\n<p>[12] \"Unsicherheitsquantifizierung und Surrogate f\u00fcr maschinelles Lernen.\" <em>Ruhr-Universit\u00e4t Bochum<\/em>, 2024. <a href=\"https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf\">https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf<\/a><\/p>\n<p>[13] Nguyen, B.D., et al. (2024). \"Effiziente Ersatzmodelle f\u00fcr materialwissenschaftliche Simulationen.\" <em>Materials &amp; Design<\/em>, 235. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2666827024000203\">https:\/\/www.sciencedirect.com\/science\/article\/pii\/s266827024000203<\/a><\/p>\n<p>[14] \"Unsicherheitsquantifizierung f\u00fcr wissenschaftliches Rechnen.\" <em>Geilo Winterschule<\/em>, ETH Z\u00fcrich, 2026. <a href=\"https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-uncertainty-quantification\/\">https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-Uncertainty-Quantifizierung\/<\/a><\/p>\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\"> 8<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Machine Learning (ML) Surrogate sind schnelle, datengesteuerte N\u00e4herungen teurer wissenschaftlicher Simulationen. Sie erm\u00f6glichen Vorhersagen in Echtzeit, massive Erforschung des Designraums und die Quantifizierung der Unsicherheit, die allein mit direkter Simulation unm\u00f6glich w\u00e4ren. Verwenden Sie Surrogate, wenn Sie eine iterative Optimierung oder Tausende von Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige [&hellip;]<\/p>\n","protected":false,"raw":""},"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=218","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[11,7,8,5,6,10,4,9],"class_list":["post-844","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-battery-modeling","tag-dfn","tag-electrochemistry","tag-fipy","tag-lithium-ion","tag-pde","tag-simulation","tag-spm","de-DE"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden - 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\/machine-learning-surrogates-scientific-simulations\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  8 minutesMachine Learning (ML) Surrogate sind schnelle, datengesteuerte N\u00e4herungen teurer wissenschaftlicher Simulationen. Sie erm\u00f6glichen Vorhersagen in Echtzeit, massive Erforschung des Designraums und die Quantifizierung der Unsicherheit, die allein mit direkter Simulation unm\u00f6glich w\u00e4ren. Verwenden Sie Surrogate, wenn Sie eine iterative Optimierung oder Tausende von Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-30T12:22:26+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=\"13\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden\",\"datePublished\":\"2026-07-30T12:22:26+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/\"},\"wordCount\":2521,\"commentCount\":0,\"keywords\":[\"Batteriemodellierung\",\"dfn\",\"Elektrochemie\",\"FiPy\",\"lithium-ion\",\"PDE\",\"simulation\",\"SPM\"],\"articleSection\":[\"Simulation & amp; Modellierungsprojekte\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/\",\"name\":\"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-30T12:22:26+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/machine-learning-surrogates-scientific-simulations\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden\"}]},{\"@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":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden - 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\/machine-learning-surrogates-scientific-simulations\/","og_locale":"de_DE","og_type":"article","og_title":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden - matforge.org","og_description":"Reading Time:  8 minutesMachine Learning (ML) Surrogate sind schnelle, datengesteuerte N\u00e4herungen teurer wissenschaftlicher Simulationen. Sie erm\u00f6glichen Vorhersagen in Echtzeit, massive Erforschung des Designraums und die Quantifizierung der Unsicherheit, die allein mit direkter Simulation unm\u00f6glich w\u00e4ren. Verwenden Sie Surrogate, wenn Sie eine iterative Optimierung oder Tausende von Bewertungen ben\u00f6tigen. Halten Sie sich an die direkte Simulation f\u00fcr die endg\u00fcltige [&hellip;]","og_url":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/","og_site_name":"matforge.org","article_published_time":"2026-07-30T12:22:26+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"steven","Gesch\u00e4tzte Lesezeit":"13\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden","datePublished":"2026-07-30T12:22:26+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/"},"wordCount":2521,"commentCount":0,"keywords":["Batteriemodellierung","dfn","Elektrochemie","FiPy","lithium-ion","PDE","simulation","SPM"],"articleSection":["Simulation & amp; Modellierungsprojekte"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/","url":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/","name":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-30T12:22:26+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/de\/machine-learning-surrogates-scientific-simulations\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/de\/"},{"@type":"ListItem","position":2,"name":"Machine Learning Surrogate f\u00fcr wissenschaftliche Simulationen: Ein praktischer Leitfaden"}]},{"@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\/844","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=844"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/844\/revisions"}],"predecessor-version":[{"id":964,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/844\/revisions\/964"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=844"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=844"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=844"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}