Konsistente, Verteilungskonforme Multi-Level-Simulation auf Basis gelernter, nicht-determinierter Abstraktionsübergänge

Die Entwicklung komplexer Systeme, wie Fabrikanlagen, autonomer Schienenfahrzeuge oder Flugzeuge, wird fast ausnahmslos von Modellierung und Simulation begleitet.

Für jedes Modell muss entschieden werden, wie detailliert es das System abbildet und wie groß sein Betrachtungsausschnitt ist. Typischerweise unterliegt diese Entscheidung einem beschränkten Projektbudget, sodass die Dimensionen Detailgrad und Ganzheitlichkeit in der Praxis gegeneinander abgewogen werden müssen. Hierbei reduziert sich entweder der Detailgrad oder die Perspektive.

Eine in der Literatur viel diskutierte Lösung dieses scheinbaren Dilemmas liegt darin, die Modelle der Grob- und der Detailebene zu verbinden. Es entsteht ein Hybrid, der genau da detailliert ist, wo es für eine bestimmte Fragestellung erforderlich ist. Die Modelle sind jedoch auf unterschiedlichen Abstraktionsebenen angesiedelt. Um sie zu verbinden, müssen Übergange (z.B. Adapter) zwischen ihnen geschaffen werden. Bei dem Übergang von der Detailebene in die Grobebene (up) geht typischerweise Information verloren, die im umgekehrten Fall (down) wieder „aufgefüllt“ werden muss. Dieses „Auffüllen“ ist im Allgemeinen nicht eindeutig. Dennoch fordern bestehende Ansätze häufig, dass die Verkettung von down und up (schwache Konsistenz) sowie von up und down (starke Konsistenz) die Identität liefert. Hierdurch wird down eindeutig gemacht. Im Rahmen dieser Arbeit wird anhand eines einfachen Lieferkettenbeispiels aufgezeigt, dass diese Eindeutigkeit zu großen Problemen für die Validität der Simulation führen kann.

Um dieses Problem aufzulösen, wird in der vorgelegten Arbeit die gekoppelte Simulation beider Ebenen als nichtdeterministisch verstanden. Es wird gefordert, dass sie der (schwachen) Konsistenz genügt und einer geeignete Wahrscheinlichkeitsverteilung folgt. Die Übergänge werden mit Verfahren des Maschinellen Lernens anhand von Beispielen bestimmt.