산업 공정 흐름도를 최적화하는 것은 엄격한(rigorous) 시뮬레이션의 높은 비용과 복잡한 설계 공간에 내재된 차원의 저주(curse of dimensionality)로 인해 종종 계산적으로 불가능합니다. 이러한 문제들을 해결하기 위해, 우리는 고차원적이고 비용이 많이 드는 블랙박스 함수를 위해 설계된 저차원 다중 충실도 베이즈 최적화(Reduced-Space Multi-Fidelity Bayesian Optimization, RS-MFBO) 프레임워크를 제시합니다. 이 접근 방식은 차원 축소를 위한 전역 민감도 분석(Global Sensitivity Analysis, GSA)과, 저비용 근사치와 고비용 고충실도 평가 간의 상관관계를 포착하는 충실도 증강 가우시안 프로세스(fidelity-augmented Gaussian process)를 통합합니다. 냉각 및 승진 메커니즘이 추가된 비용 인식적 획득 전략(cost-aware acquisition strategy)은 충실도 전반에 걸쳐 샘플 할당을 적응적으로 안내합니다. 이 프레임워크는 두 가지의 서로 다른 산업 공정 시뮬레이터, 즉 SuperPro Designer의 플라스미드 DNA 바이오공정과 Aspen HYSYS의 녹색 연료 합성 플랜트에서 검증되었습니다. 다양한 경제적 및 물리적 목표에 걸친 결과들은 제안된 방법이 단일 충실도 기준선(single-fidelity baselines)과 비교하여 경쟁력 있는 최적화 성능을 유지하면서 고충실도 시뮬레이터 평가 횟수를 상당히 줄인다는 것을 보여줍니다. 이러한 결과는 RS-MFBO가 비용 제약적인 블랙박스 최적화를 위한 확장 가능하고 시뮬레이터에 구애받지 않는(simulator-agnostic) 접근 방식임을 강조합니다.