SurrogateModelle

Surrogatmodelle (englisch: surrogate models) sind computergestützte Näherungen von teuren oder schwer zu berechnenden Zielgrößen. Sie dienen dazu, Kosten in Optimierung, Design und Unsicherheitsquantifizierung zu senken, indem sie das eigentliche Modell durch eine schnellere Rechenform ersetzen. Typischerweise werden Surrogatmodelle auf Basis von Daten trainiert, die durch Auswertungen des anspruchsvollen Originals gewonnen wurden.

Zu den gängigsten Ansätzen gehören polynomiale Regression, Gaußsche Prozesse (Kriging), Radiale-Basis-Funktionen, neuronale Netze und Support-Vektor-Modelle. Surrogatmodelle können global über den gesamten Eingangsraum oder lokal in Teilbereichen arbeiten. Sie lassen sich auch mit mehreren Güten oder mit unterschiedlicher Fidelity kombinieren (Multi-Fidelity) und physik-integrierte Surrogates verwenden bekannte Gesetzmäßigkeiten, um die Plausibilität zu erhöhen.

Der typisierte Prozess umfasst Design of Experiments (DoE) zur strukturierten Datensammlung, anschließendes Training und Validation, oft mit Kreuzvalidierung. Leistungskennzahlen wie RMSE, MAE oder R-Quadrat dienen der Bewertung. In der Praxis werden Surrogatmodelle in Optimierung eingesetzt, etwa in Bayesian Optimization, oder zur Unsicherheitsquantifizierung und Sensitivitätsanalyse.

Anwendungsfelder umfassen Bereiche der Technik und Wissenschaft, darunter Luft- und Raumfahrt, Maschinenbau, Verfahrenstechnik, Bauwesen und Umweltmodellierung. Sie ermöglichen schnellere Designiterationen, explorative Studien und kostensparende Simulationsläufe. Nachteile sind Rechenextrapolation außerhalb des Trainingsbereichs, Abhängigkeit von Datenqualität und die Notwendigkeit regelmäßiger Aktualisierungen, wenn sich das zugrundeliegende Modell ändert.

Der Begriff wird im Deutschen oft als Surrogatmodell(e) verwendet; international spricht man von surrogate models.