Die Fortschritte bei Digital Engineering Werkzeugen haben den Produktentwicklungsprozess kontinuierlich ver?ndert. Mit der Steigerung der Rechenleistung wurden immer umfassendere digitale Modelle m?glich, um die komplexen Eigenschaften und das Verhalten von Produkten zu simulieren. Mit Techniken wie dem generativen Design l?sst sich ein L?sungsraum für verschiedene Ziele erkunden und optimierten, was manchmal die F?higkeiten selbst erfahrener Produktentwicklerinnen und Produktentwicklern übersteigt. Aufgrund der Komplexit?t von Simulationen k?nnen jedoch oft nur ausgew?hlte Parameter optimiert werden. Folglich ist der untersuchte L?sungsraum oft begrenzt und der Fortschritt inkrementell. Die Auswahl von Parametern und Optimierung beruht in erster Linie auf menschlichem Fachwissen, was angesichts begrenzter Zeit und Budgets sowie eventuellem Bias nicht immer zu den besten L?sungen führt. In der aktuellen Forschung zur simulationsgetriebenen Produktentwicklung wurden Machine Learning Ersatzmodelle (MLS) eingeführt, um herk?mmliche Simulationen für Produktanalyse und -validierung zu verbessern oder teilweise zu ersetzen. MLS-Techniken verringern den Rechenaufwand im Vergleich zu herk?mmlichen Simulationen erheblich. So kann ein gro?er L?sungsraum mit geringem Aufwand untersucht werden.