1. 课程导入与实验复现挑战

先讲一个真实感很强的场景。某研究小组在论文中报告：使用某自适应步长积分器求解一组刚性常微分方程，在容差 rtol=1e-6, atol=1e-9 下，得到某物理量的峰值约为 3.217。半年后，另一名学生按论文描述重做实验，代码结构几乎照抄，却得到 3.184，相对偏差约 1%。他反复检查公式、边界条件、单位换算，甚至怀疑论文有误。直到有人问了一句：“你用的求解器版本、默认线性求解器和雅可比矩阵策略是什么？”问题才浮出水面——论文只写了“使用 BDF 方法”，而原实验依赖的是某个库在特定版本下的默认配置，升级后默认值变了。

这不是个例。科学计算实验的复现困难，往往不来自数学推导错误，而来自参数与运行环境的隐性依赖：求解器容差、网格规模、随机种子、并行线程数、编译器优化选项、依赖库版本、数据预处理阈值、浮点累加顺序……它们像空气一样存在于代码中，写作者习以为常，复现者却无从得知。更麻烦的是，这些参数之间并非独立：容差影响步长，步长影响迭代次数，迭代次数在并行归约下又影响浮点舍入误差的累积路径。一个参数变化，结果可能只是末位抖动，也可能跨越定性结论的分界。

因此，本课程把“参数管理”放在科学计算工程能力的中心位置，而不是当作写论文时补一张表格的附属工作。我们可以把一次可复现实验拆成四个相互咬合的层面：问题定义（方程、边界、单位与参照系约定）、数值方法（离散格式、求解器、容差、步长策略）、运行环境（硬件、编译器、依赖库版本、并行配置）、数据与随机性（输入数据版本、预处理参数、随机种子）。任何一层缺失，复现者都只能靠猜。下图给出这四个层面与“结果可复现性”之间的关系，以及参数在其中如何逐层传递并放大差异。

理解这张图的关键在于：参数不是孤立清单，而是有传递方向的依赖链。例如容差 rtol 属于第二层，但它会改变步长序列，步长序列又决定浮点运算的累加路径，最终在第三层的并行归约中产生不同的舍入结果。所以“记录参数”不能只记录一个数值，还要记录它作用于哪一层、影响哪条路径。这也是本课程后续要反复训练的判断力：面对一个结果差异，先定位它最可能来自哪一层，再决定去核查哪些参数，而不是盲目重跑。

那么，一个合格的参数管理体系应该做到什么？可以归纳为三条可操作的原则。第一，显式化：凡是影响数值结果的量，都必须从代码默认值、环境变量、交互式设置中“提”出来，写进统一的配置入口，而不是散落在脚本各处。第二，版本化：配置本身要有版本标识，与代码、数据、结果建立可追溯的对应关系，使得“某张图是用哪套参数算出来的”能够被精确回答。第三，可验证：关键参数要配套检查手段，例如用一组已知解析解的小规模算例做回归测试，确认在当前参数下结果落在预期误差带内，而不是只看程序是否跑通。

下面给出一个最小可用的参数记录示例，采用 YAML 形式，字段刻意围绕“四层依赖”组织，而不是堆砌无关信息。示例中的数值属于教学假设，用于说明结构，不代表任何真实实验的实测结果。

experiment:
  name: "刚性ODE峰值复现"
  config_version: "v1.2"
problem:                      # ① 问题定义层
  equation: "du/dt = -k*(u - u_inf)"
  k: 120.0
  u0: 1.0
  u_inf: 0.0
  t_span: [0.0, 2.0]
  unit_system: "SI"
numerics:                     # ② 数值方法层
  solver: "BDF"
  rtol: 1.0e-6
  atol: 1.0e-9
  jacobian: "analytic"
  max_step: 0.01
environment:                  # ③ 运行环境层
  library: "scipy"
  library_version: "1.11.4"
  python: "3.11.6"
  threads: 1
  blas: "openblas 0.3.24"
data_and_random:              # ④ 数据与随机性层
  input_file: "none"
  seed: 20240101
  preprocessing: "none"

这份记录的价值不在于字段多，而在于它让复现者能回答三个问题：我算的是不是同一个问题？我用的是不是同一套数值策略？我的运行环境是否引入了额外差异？当结果出现偏差时，可以按层排查：先确认问题定义一致，再对比数值方法，然后检查环境版本，最后核对数据与随机性。这个排查顺序本身就是一种工程习惯，比“凭感觉改参数”高效得多。

本课程的知识地图正是围绕这条依赖链展开的。我们会先建立参数分类与记录规范，学习如何识别隐性默认值和环境依赖；然后进入实践环节，训练配置文件的组织、参数扫描的设计、敏感性分析与不确定性量化；接着讨论复现包的构建，包括环境固化、数据版本管理和结果校验脚本；最后通过若干案例，练习从“结果不一致”出发做分层排查与归因。学习目标可以概括为：能够独立设计一套可追溯的参数管理方案，能够判断结果差异最可能来自哪一层，能够把一个实验整理成他人可复现的交付物。

回到开头那个 1% 偏差的例子。如果原作者在论文附录中记录了求解器版本、雅可比策略和线程数，复现者十分钟内就能定位问题；如果还附带了参数配置文件和一组回归测试算例，他甚至能在自己的环境中先验证“基础算例是否一致”，再判断偏差是环境差异还是方法差异。参数管理并不神秘，它只是把“我以为你知道”变成“我明确告诉你，并且你可以验证”。这正是本课程希望建立的核心能力。