## [Adjungierte Sensitivitätsanalyse](/de/node/65081) Definition Eine rechnerische Technik zur Gewinnung von Sensitivitäten (Gradienten) eines oder weniger skalaren Zielfunktionen oder Nebenbedingungen bezüglich vieler Entwurfs‑ oder Steuerungsvariablen durch Lösung eines adjungierten (transponierten, linearisierten) Problems, das aus den herrschenden Gleichungen abgeleitet ist; die Kosten zur Berechnung des vollständigen Gradienten sind annähernd unabhängig von der Anzahl der Entwurfsvariablen und skalieren mit der Zahl der Ziele (ein Adjoint‑Solve pro Ziel) zuzüglich der Kosten der Primärlösung. ## Prinzip Prinzip Die Linearisierung des Vorwärtsmodells und die Formulierung seines Adjoints liefern eine Beziehung, bei der das Skalarprodukt des Adjunktfeldes mit Parameteränderungen die gewünschte Sensitivität ergibt; daher kodiert eine einzige Adjointlösung Gradienteninformationen für alle Parameter simultan, womit die Gradientenberechnung weitgehend unabhängig von der Parameteranzahl wird. ## Demonstration Demonstration Illustratives Szenario → Aerodynamische Formoptimierung: Löse die stationären Navier–Stokes (primal) für einen Flügel, leite die zugehörigen Adjointgleichungen her und löse sie für ein Ziel wie Auftrieb oder Widerstand; berechne dann Sensitivitäten des Ziels bezüglich Tausender Gestaltungsfreiheitsgrade der Oberfläche durch Skalarprodukte des Adjunktfelds mit geometrischen Variationsoperatoren. Erkennung → das Adjunktfeld lokalisiert Bereiche, in denen Störungen das Ziel am stärksten beeinflussen; Handlung → Gradient zur Aktualisierung der Form in einem gradientenbasierten Optimierer verwenden; Folge → effiziente Optimierung hochdimensionaler Räume gegenüber finiten Differenzen oder direkter Differentiation, die mit Variablenanzahl skalieren. ## Fehlanwendung Fehlanwendung Adjoint‑Gradienten automatisch als zuverlässig ansehen, wenn das Vorwärtsproblem nicht differenzierbar, stark diskontinuierlich (z. B. Bifurkation, schockinduzierte Ablösung) ist oder der Adjoint inkonsistent zur Diskretisierung des Primals implementiert wurde (Mismatch continuous/discrete adjoint). Der semantische Fehler ist, die Anwendbarkeit des Adjoints ohne Prüfung der Differenzierbarkeit und Konsistenz zu unterstellen. ## Konsequenz Konsequenz Adjoint‑Methoden ermöglichen praktikable gradientenbasierte Optimierung und Sensitivitätsanalysen in sehr hochdimensionalen Entwurfsräumen und reduzieren so die Rechenkosten erheblich; sie verlagern jedoch die Komplexität auf Ableitung, Implementierung und Validierung des Adjoints und liefern irreführende Gradienten, wenn Modellannahmen (Differenzierbarkeit, korrekte Linearisierung, konsistente Randbedingungen) verletzt sind. ## Umkehrung Umkehrung Sind Ziele nicht differenzierbar, stochastisch oder existieren sehr viele Ziele (Kosten skalieren mit Zielanzahl), reduziert oder verhindert das die Effizienz des Adjoints; alternative Vorgehen (Glättung, Ensemble‑Methoden, sorgsame algorithmische Differentiation oder derivative‑free‑Methoden) sind dann nötig. ## Abgrenzung Abgrenzung Klar anwendbar: deterministische, differenzierbare Vorwärtsmodelle (kontinuierlich oder diskret), bei denen Adjointableitung und Implementierung konsistent zum Primalsolver erfolgen können und die Zahl der Ziele klein gegenüber der Parameteranzahl ist. Randfall: Probleme mit mäßiger Nichtlinearität oder schwachen Diskontinuitäten, bei denen Adjointgradienten informativ sind, aber validiert werden müssen. Klar nicht anwendbar: Black‑Box‑Solver ohne Ableitungszugang, nicht differenzierbare Ziele oder Kontexte, in denen die Zahl der Ziele Adjoints unpraktisch macht. ## Semantische Spannung Semantische Spannung Rechen‑Effizienz ↔ Implementierungsaufwand — Adjoint‑Methoden bieten dramatische Kostenskalierung bei vielen Parametern, erfordern jedoch umfangreiche mathematische Herleitungen, Software‑Implementierung und sind empfindlich gegenüber Modellinkonsistenzen. ## Synthese Synthese Die adjungierte Sensitivitätsanalyse verändert die Rechen‑Skalierung der Gradientenbewertung von einer Abhängigkeit von Variablenanzahl zu einer Abhängigkeit von Zielanzahl und macht so die Optimierung in hochdimensionalen Räumen für differenzierbare Modelle praktisch — die Realisierung dieses Vorteils bedarf aber sorgfältiger Herleitung, konsistenter Diskretisierung und Validierung des Adjoint‑Implementierung.