1. 课程导入与贝叶斯反问题概览

在科学计算与工程实践中，我们经常面对这样一类问题：系统的内部结构、材料参数或边界条件无法直接测量，但可以通过外部观测间接推断它们。例如，在地下水污染调查中，我们想知道含水层的渗透率分布，却只能在地表几个监测井测得水头或浓度；在医学成像中，我们想重建组织内部的电导率，却只能在体表施加电流并测量电压。这类"由观测反推原因"的问题，就是反问题。本课程讨论的贝叶斯反问题，正是用概率语言系统处理反问题中不确定性的一套建模范式。

从正问题到反问题：建模思路的转变

理解反问题，必须先理解正问题。正问题（forward problem）是"已知模型参数，预测观测量"的过程，它通常是一个适定的数学问题：给定参数 m，通过物理模型 G 得到预测数据 d = G(m)。例如给定渗透率场，用达西方程求解水头分布，就是标准正问题。正问题的求解有成熟数值方法，如有限元、有限差分，其解存在、唯一且稳定。

反问题则反过来：已知观测数据 d，推断参数 m。它的困难来自三个方面。第一是不适定性：不同的参数分布可能产生几乎相同的观测数据，解不唯一；第二是不稳定性：观测中的微小噪声可能被放大，导致反演结果剧烈震荡；第三是欠定性：观测数量通常远少于待估参数维度。因此，反问题不能简单地对 G 求逆，而必须引入额外的先验信息来约束解空间。

贝叶斯方法的核心贡献，就是把"先验信息"和"观测信息"统一到概率框架中。它不追求给出一个唯一的"真值"，而是给出参数的后验概率分布，从而定量描述"在现有数据下，参数可能是什么、有多确定"。

后验估计的核心地位

贝叶斯反问题的中心对象是后验分布。根据贝叶斯公式：

p(m | d) ∝ p(d | m) · p(m)

其中 p(m) 是先验分布，编码我们在观测之前对参数的认知；p(d | m) 是似然函数，描述给定参数时观测数据的生成概率，通常由观测噪声模型决定；p(m | d) 是后验分布，是我们最终要估计和使用的对象。这个公式看似简单，却把正问题模型、噪声统计和先验知识三者有机连接起来。

后验估计之所以处于核心地位，是因为它同时承担了三个角色：作为推断结果，它给出参数的最可能取值（如后验均值、最大后验估计）；作为不确定性度量，它给出可信区间和参数相关性；作为决策依据，它为后续的风险评估、实验设计和预测提供概率基础。可以说，整个课程后续的点估计、区间估计、采样算法、降维与代理模型，都是围绕如何准确、高效地刻画这个后验分布展开的。

课程地图与学习目标

本课程共 30 章，整体沿着"概念—建模—计算—应用"的主线推进。前几章建立贝叶斯反问题的基本语言，包括概率基础、先验与似然的构造、后验的解析形式；随后进入计算核心，系统讲解马尔可夫链蒙特卡洛（MCMC）、变分推断、集合卡尔曼方法等后验采样与近似技术；再往后讨论高维与计算昂贵场景下的降维、代理模型与多保真度方法；最后落到典型应用，如参数场反演、源项识别、实验设计等。

学习本课程后，你应当能够：第一，准确区分正问题与反问题，识别不适定性的来源；第二，针对具体物理模型写出似然函数并合理选择先验；第三，根据问题维度、模型计算成本和精度要求，选择合适的后验估计方法；第四，读懂后验结果中的点估计、区间和相关性，并据此做出有依据的判断。需要强调的是，本课程不把贝叶斯方法当作万能公式，而是强调"模型假设—数据条件—计算方法"三者匹配的工程思维。