1. 课程导入与代理模型全景
在工程仿真与科学计算中，我们经常遇到一类"昂贵"的问题：一次高保真数值模拟可能需要几分钟到几十小时。例如，用有限元方法分析一个汽车覆盖件的冲压回弹，网格规模约 50 万单元，单次求解在 32 核工作站上耗时约 40 分钟；若要做 200 组工艺参数的优化，总机时超过 130 小时。这类问题的共同特征是：输入参数可调、输出响应可测，但单次评估代价极高。代理模型（Surrogate Model）正是为破解这一矛盾而生的技术路线。
1.1 什么是代理模型
代理模型是一个用少量高保真样本训练出来的、计算代价极低的近似映射。设真实物理过程为 y = f(x)，其中 x 是设计变量向量（如板料厚度、压边力、摩擦系数），y 是关心的响应（如最大减薄率、回弹角）。代理模型构造一个近似函数 ŷ = g(x)，使得在采样区域内 g 与 f 的偏差足够小，而 g 的单次求值时间从分钟级降到毫秒级甚至微秒级。
需要强调的是，代理模型不是"简化物理模型"，它不改变控制方程，而是从数据中学习输入到输出的映射关系。它的精度上限由样本质量、采样密度和模型容量共同决定，因此"代理"二字意味着它替代的是计算过程，而不是物理规律本身。
1.2 神经网络代理模型的核心思想
传统代理模型如响应面法（二次多项式）、克里金（Kriging）、径向基函数（RBF）在低维、平滑问题上表现良好，但当输入维度升到 10 维以上、响应呈现强非线性或多峰特性时，拟合能力迅速下降。神经网络代理模型的核心思想可以概括为三点：
- 用可学习的非线性基函数替代固定基函数。多项式与 RBF 的基函数形式是人为指定的，而多层感知机通过隐藏层的仿射变换加激活函数，自动构造出适应数据分布的特征表示。
- 用参数规模换取表达容量。一个 3 层、每层 64 个神经元的网络约有 8 千个可训练参数，足以拟合几十维输入下的复杂响应面，而同样精度的二次响应面可能只有几十个系数。
- 用批量求值换取训练成本。训练阶段需要反复前向与反向传播，但一旦训练完成，推理只是一次矩阵乘法链，天然适合嵌入优化循环、实时控制或蒙特卡洛抽样。
一个典型的工程配置如下：输入层维度等于设计变量个数（例如 6），隐藏层采用 64–64–32 的三层结构，激活函数用 tanh 或 GELU，输出层为线性。训练前对输入做标准化（减均值、除标准差），对输出做归一化到 [0,1]。损失函数用均方误差，优化器用 Adam，学习率 1e-3，配合余弦退火。样本量通常取设计变量维度的 10–20 倍，例如 6 维问题取 100–150 组拉丁超立方样本。
1.3 快速预测的典型场景
代理模型的价值在"需要大量重复评估"的场景中被放大。以下是三类典型用法：
| 场景 | 真实评估代价 | 代理模型作用 | 典型指标 |
|---|---|---|---|
| 参数优化 | 单次 40 min | 替代目标函数，支撑遗传算法数千次评估 | R² > 0.95，最大相对误差 < 5% |
| 实时预测/数字孪生 | 单次 2 s | 毫秒级响应，满足在线控制周期 | 推理延迟 < 10 ms |
| 不确定性量化 | 单次 10 min | 支撑 10⁴ 次蒙特卡洛抽样 | 输出分布分位数误差 < 3% |
以参数优化为例：若用代理模型替代 40 分钟一次的仿真，遗传算法 200 代、每代 50 个个体共 10000 次评估，代理模型推理按 1 ms 计，总耗时约 10 秒；而真实仿真需要约 6670 小时。这就是"快速预测"最直接的收益。
1.4 课程路线图
本课程围绕"数据—模型—训练—评估—部署"这条主线展开，共 30 章。前段建立概念与数据基础：代理模型定义、采样方法（拉丁超立方、Sobol 序列）、数据预处理与划分。中段进入建模核心：前馈网络结构设计、激活函数选择、损失函数与优化器、正则化与早停、超参数搜索。后段聚焦工程落地：精度评估指标（R²、RMSE、最大误差、交叉验证）、不确定性估计、与优化算法耦合、模型导出与推理加速，以及典型工程案例的完整复现。