Pragmatische Neugier: Hybrid-Lern-Optimierungsparadigma aus aktiver Inferenz

In vielen ingenieurwissenschaftlichen und wissenschaftlichen Arbeitsabläufen sind teure, schwarze Box‑Evaluierungen die Norm. Entscheider müssen dabei gleichzeitig die Leistung steigern und die Unsicherheit reduzieren – ein Balanceakt, der bislang schwer zu meistern ist.

Traditionelle Ansätze wie Bayesian Optimization (BO) und Bayesian Experimental Design (BED) behandeln Ziel‑ und Informationssuche als getrennte Probleme. Dadurch fehlt ein klarer Leitfaden für hybride Szenarien, in denen Lernen und Optimierung eng miteinander verflochten sind.

Die neue Methode „pragmatische Neugier“ verbindet diese beiden Welten. Sie basiert auf aktiver Inferenz und wählt Aktionen, indem sie die erwartete freie Energie minimiert – ein einzelnes Ziel, das pragmatischen Nutzen mit epistemischem Informationsgewinn verknüpft. So entsteht ein nahtloser Entscheidungsprozess, der sowohl die Leistung als auch das Wissen gleichzeitig verbessert.

In einer Reihe praxisnaher Tests – von der systemidentifizierten, restriktiven Modellierung über gezielte aktive Suche bis hin zu komplexen Optimierungsaufgaben mit unbekannten Präferenzen – übertrifft pragmatische Neugier konsequent starke BO‑ und BED‑Baselines. Die Ergebnisse zeigen höhere Schätzgenauigkeit, bessere Abdeckung kritischer Regionen und eine deutlich verbesserte Endlösung.