Multifidelity grey-box surrogate modelling (GREYDIENT)

Predicting the response of complex systems has always been a challenge in engineering. Currently, two broad classes of predictive models are widespread: data-driven, or black-box models, and physics-driven, white-box computer simulations. The recently introduced grey-box modelling paradigm aims at combining these two approaches to enhance the incomplete information that computational models provide, by complementing it with real-world data. We propose the class of multifidelity surrogate models (MFSMs) as a solution to the grey-box modelling problem. MFSMs combine information from models of different fidelity levels into a single inexpensive-to-evaluate surrogate model. Specifically, expensive experimental data can be considered as the high-fidelity (HF) models, whereas the white-box models can be seen as their low-fidelity (LF) counterparts.

Under the auspices of the EU project GREYDIENT, we aim to develop a theoretical and methodological framework for multifidelity surrogate modelling-based grey-box approach, which quantitatively includes the different types of uncertainty that affect the problem. Specifically, in the case of the HF data, we expect aleatory uncertainty, due to the inevitable measurement noise. Also, both the LF and HF models are affected by epistemic uncertainty due to the limited experimental design budget. Our framework is able to denoise noisy experimental data while providing estimates of the different kinds of uncertainty in its predictions in the form of confidence and prediction intervals.

This project is part of GREYDIENT, a Marie Skłodowska-Curie Innovative Training Network. GREYDIENT aims at supporting the ongoing transition of European personal mobility towards safe and reliable intelligent systems via the recently introduced framework of grey-box modelling. More about the GREYDIENT network can be found external page here.

Die Vorhersage des Verhaltens komplexer Systeme war schon immer eine Herausforderung im Ingenieurwesen. Derzeit sind zwei grosse Klassen von Vorhersagemodellen weit verbreitet: datengestützte Black-Box-Modelle und physikgestützte White-Box-Computersimulationen. Das kürzlich eingeführte Paradigma der Grey-Box-Modellierung zielt darauf ab, diese beiden Ansätze zu kombinieren, um die unvollständigen Informationen, die Computermodelle liefern, durch die Ergänzung mit echten Daten zu verbessern. Wir schlagen die Klasse der Multifidelity-Ersatzmodelle (MFSMs) als Lösung für das Problem der Grey-Box-Modellierung vor. MFSMs kombinieren Informationen aus Modellen unterschiedlicher Genauigkeit zu einem einzigen, kostengünstig auszuwertenden Ersatzmodell. Insbesondere können die teuren experimentellen Daten als High-Fidelity-Modelle (HF) betrachtet werden, während die White-Box-Modelle als ihre Low-Fidelity-Pendants (LF) angesehen werden können.

Unter der Schirmherrschaft des EU-Projekts GREYDIENT wollen wir einen theoretischen und methodischen Rahmen für einen auf Multifidelity-Ersatzmodellen basierenden Grey-Box-Ansatz entwickeln, der die verschiedenen Arten von Unsicherheiten, die das Problem beeinflussen, quantitativ berücksichtigt. Insbesondere im Fall der HF-Daten erwarten wir aleatorische Unsicherheit aufgrund von unvermeidlichen Messfehlern. Ausserdem sind sowohl die LF- als auch die HF-Modelle wegen des begrenzten Budgets für die Versuchsplanung von epistemischer Unsicherheit betroffen. Unser System ist in der Lage, verrauschte experimentelle Daten zu entrauschen und gleichzeitig Schätzungen der verschiedenen Arten von Unsicherheit in den Vorhersagen in Form von Konfidenz- und Vorhersageintervallen zu liefern.