Erklärbare Ersatzmodelle für Simulationen: Überblick & Zukunft

In der heutigen Forschung und Industrie werden komplexe Systeme zunehmend mit hochentwickelten, aber im Wesentlichen undurchsichtigen Simulations-Engines untersucht. Ersatzmodelle – vereinfachte Darstellungen, die die Rechenzeit drastisch senken – spielen dabei eine zentrale Rolle. Sie übernehmen jedoch die Black‑Box‑Natur der Originalmodelle und verschleiern oft, wie Eingangsvariablen die physikalischen Ausgänge beeinflussen.

Explainable Artificial Intelligence (XAI) liefert leistungsfähige Werkzeuge, um diese Undurchsichtigkeit aufzubrechen. In der Praxis stoßen XAI‑Methoden jedoch auf typische Ingenieurprobleme: stark korrelierte Eingaben, dynamische Systemverhalten und strenge Zuverlässigkeitsanforderungen. Aus diesem Grund haben sich die Felder der Ersatzmodellierung und der XAI weitgehend getrennt, obwohl sie sich stark ergänzen.

Die vorliegende Übersichtsarbeit verbindet diese beiden Disziplinen, indem sie XAI‑Techniken systematisch den einzelnen Phasen von Ersatzmodellierungs‑Workflows zuordnet. Durch anschauliche Beispiele aus Gleichungs‑basierten Simulationen und Agenten‑basierten Modellen verdeutlicht die Studie, wie XAI Interaktionen aufdecken und die menschliche Verständlichkeit fördern kann.

Abschließend werden die wichtigsten offenen Fragen herausgearbeitet – insbesondere die Erklärbarkeit dynamischer Systeme und die Handhabung gemischter Variablensysteme – und ein Forschungsagenda skizziert, die darauf abzielt, Erklärbarkeit als integralen Bestandteil von simulationsgestützten Entscheidungsprozessen zu etablieren.