1. 课程导入与全景认知

在材料研发从“经验试错”走向“计算驱动”的过程中，仿真模型已经成为连接微观机理与宏观性能的重要桥梁。无论是第一性原理计算、分子动力学、相场模拟，还是有限元结构分析，工程师都希望用模型替代部分实验、缩短研发周期、降低试错成本。但一个根本问题随之而来：我们凭什么相信这个模型给出的数字？这正是本课程要回答的核心问题。

一、什么是模型验证与不确定性

先厘清三个容易混淆的概念。第一是确认（Verification），它问的是“方程解对了吗”，即数值实现是否准确求解了所设定的数学模型，典型手段是网格收敛性分析、时间步收敛性分析、与解析解对比。第二是验证（Validation），它问的是“方程选对了吗”，即模型是否真实反映了物理现实，手段是与独立实验数据对比。第三是不确定性量化（UQ），它问的是“结果有多可信、误差范围多大”，即识别、传播并量化来自参数、模型形式、数值离散和实验测量各环节的不确定性。

三者关系可以概括为：确认保证“算得准”，验证保证“算得对”，UQ保证“说得清有多准”。缺少任何一环，仿真结果都只能算“参考值”，而不能作为工程决策依据。

二、不确定性的来源与范畴

材料仿真中的不确定性并非单一来源，通常可分为四类：

• 参数不确定性：如弹性常数、扩散系数、界面能、势函数参数等本身存在测量误差或拟合偏差。
• 模型形式不确定性：如选择嵌入原子势还是修正嵌入原子势、是否忽略某类缺陷相互作用，模型结构本身带来的系统偏差。
• 数值不确定性：网格尺寸、时间步长、收敛容差、截断半径等离散化引入的误差。
• 实验不确定性：用于验证的实验数据本身也有仪器精度、试样差异和测量重复性问题。

这四类不确定性会沿着“输入参数→模型计算→输出性能”的链条逐级传播。理解这条传播链，是后续所有方法学习的骨架。

三、核心挑战：为什么这件事很难

第一，尺度跨度大。从埃级的原子振动到米级的构件失效，跨越近十个数量级，单一模型无法覆盖，多尺度耦合本身就会引入新的误差传递。第二，实验数据稀缺且昂贵。许多极端条件（高温、高压、辐照）下的材料数据难以获取，导致验证样本不足，统计置信度低。第三，不确定性来源耦合。参数误差与模型形式误差往往相互掩盖，难以单独分离。第四，计算成本约束。完整的UQ需要大量采样，而单次高精度仿真可能耗时数小时甚至数天，直接蒙特卡洛采样在工程上常常不可行。

这些挑战决定了本课程不会只讲“理想方法”，而会重点讲在有限算力和有限数据下如何做出可信判断。

四、学习路线图

本课程共30章，整体按“概念→方法→工具→案例→综合”推进。前几章建立术语体系和思维框架；中间部分依次展开确认与验证的具体做法、参数敏感性分析、不确定性传播方法（蒙特卡洛、多项式混沌、贝叶斯校准等）、代理模型与加速策略；随后进入典型材料体系的案例实操，包括金属、陶瓷、高分子及复合材料；最后回到工程决策层面，讨论如何设定验证准则、如何报告不确定性、如何判断模型是否“足够好”。

五、一个最小可运行示例

为建立直观感受，下面给出一个参数扰动的伪代码框架。假设某材料性能 y 由三个输入参数决定，每个参数有均值和标准差，用蒙特卡洛采样观察输出分布：

输入：参数均值 mu = [a0, b0, c0]
      参数标准差 sigma = [sa, sb, sc]
      采样次数 N = 1000
      模型函数 f(a, b, c)

for i = 1 to N:
    a_i = 正态采样(mu[0], sigma[0])
    b_i = 正态采样(mu[1], sigma[1])
    c_i = 正态采样(mu[2], sigma[2])
    y_i = f(a_i, b_i, c_i)

输出：y 的均值、标准差、95%置信区间
判断：若置信区间宽度超过工程允许误差，则需收紧参数或改进模型

这段框架虽然简单，却已经包含了UQ的核心逻辑：定义输入分布→传播→统计输出→与允许误差比较。后续章节会在此基础上引入更高效的采样策略和更严谨的校准方法。

本章的目标不是让你立刻掌握所有方法，而是先建立一张“地图”：知道验证与不确定性各自解决什么问题、不确定性从哪里来、会往哪里去、以及后续每一章在这张地图上的位置。带着这张地图进入后续学习，你会更容易判断每种方法适用于什么场景、局限在哪里。