Neues Modell kombiniert Wissen und Daten für hochdimensionale Optimierung

In der mechanischen Konstruktion und der Optimierung von Fertigungsprozessen werden Surrogatmodelle häufig eingesetzt, wenn hochpräzise Simulationsmodelle zu teuer oder nicht verfügbar sind. Ihre Leistung leidet jedoch stark, wenn nur wenige Daten vorliegen, denn rein datengetriebene Modelle erreichen in solchen Fällen kaum die gewünschte Genauigkeit.

Viele Fachleute besitzen wertvolles Domänenwissen über funktionale Zusammenhänge, doch bisher gibt es kaum Verfahren, die dieses Wissen systematisch mit knappen Daten verbinden. Das neue Framework RBF-Gen löst dieses Problem, indem es ein Radial-Basis-Funktion (RBF)-Raum mit mehr Zentren als Trainingsbeispielen aufbaut und den Nullraum mithilfe eines Generator-Netzwerks nutzt. Inspiriert vom Prinzip der maximalen Informationserhaltung werden latente Variablen eingeführt, die strukturelle Beziehungen und Verteilungsvorurteile während des Trainings einbetten und das Surrogat gezielt in physikalisch sinnvolle Lösungen lenken.

Numerische Tests zeigen, dass RBF-Gen bei 1‑D- und 2‑D‑Strukturoptimierungsaufgaben in datenarmen Szenarien deutlich besser abschneidet als herkömmliche RBF‑Surrogates. Auf einem realen Datensatz aus der Halbleiterfertigung erzielt das Modell zudem eine überlegene Vorhersagegenauigkeit. Diese Ergebnisse unterstreichen das Potenzial, begrenzte experimentelle Daten mit Expertenwissen zu kombinieren, um präzise und praktikable Surrogatmodelle für mechanische und prozessoptimierende Anwendungen zu entwickeln.