1. 课程导入与性能问题界定

物理代理模型（Physics Surrogate Model）是用数据驱动或降阶方法逼近高保真物理仿真（如有限元、CFD、多体动力学）的轻量化模型。它把原本需要数小时甚至数天的求解过程压缩到毫秒到秒级，从而支撑实时仿真、优化迭代、在线控制与数字孪生等场景。但“能算得快”并不等于“推理性能达标”：一个代理模型在离线验证中精度合格，部署到实际系统后仍可能因为单次延迟过高、吞吐不足或显存溢出而无法使用。本课程的第一项任务，就是把“推理性能”这件事从模糊的“感觉慢”转化为可度量、可定位、可优化的工程问题。

优化的目标：在约束下取得多目标平衡

物理代理模型的推理性能优化，本质上不是追求某一个指标的极限，而是在给定硬件、精度容忍度和业务时限的约束下，寻找延迟、吞吐、内存与精度之间的最佳工作点。四者相互牵制：降低数值精度（如从 FP32 转为 FP16 或 INT8）通常能减少延迟和内存占用，但可能破坏物理量之间的守恒关系；增大批处理规模能提升吞吐，却会抬高单次请求的排队延迟；裁剪网络宽度能压缩显存，但会削弱对高维输入（如复杂几何边界、瞬态场分布）的表达能力。因此优化目标应表述为带约束的联合目标，例如“在相对误差不超过 2% 的前提下，将 P99 延迟压到 20 ms 以内，同时单卡吞吐不低于 500 次/秒”。

四类评价指标及其测量口径

延迟关注单次推理从输入就绪到输出可用的时间，工程上更应关注 P50、P95、P99 分位数而非平均值，因为控制类应用对尾部延迟极其敏感。测量时需明确是否包含数据预处理（如网格插值、归一化）和后处理（如场量重构），否则不同团队的数字无法比较。吞吐指单位时间完成的推理次数，常用 QPS 或 samples/s 表示，它与批大小、并发数和硬件利用率强相关。内存包括模型权重占用、激活值峰值和批处理缓存，是边缘部署的硬门槛；对代理模型而言，输入场数据本身（如 128×128×128 的体网格）往往比权重更占内存。精度不能只看全局均方误差，应结合物理意义选择指标：标量输出看相对误差，场输出看最大误差与关键区域误差，瞬态问题还要看误差随时间的累积情况。

典型应用场景对指标的差异化要求

不同场景对四类指标的敏感度差异很大，界定性能问题时必须先锚定场景。实时闭环控制（如机器人柔顺控制、飞行器气动伺服）要求单次延迟稳定在毫秒级，且尾部延迟不能抖动，吞吐反而次要；此时应优先做算子融合、固定批大小为 1 的延迟优化。离线参数扫描与设计优化（如换热器结构寻优）需要成千上万次批量推理，吞吐是核心，可采用大批次、多流并行，容忍单次延迟上升。边缘端数字孪生（如车载电池热管理代理模型）受限于嵌入式显存与功耗，内存是第一约束，往往需要量化与结构化剪枝。在线监测与异常预警则更看重精度稳定性，因为误报代价高，宁可牺牲部分速度换取误差可控。

把问题界定清楚：一个可操作的界定流程

面对“模型太慢”的反馈，建议按以下顺序界定：第一步，明确业务时限与硬件平台，写出延迟、吞吐、内存、精度的量化约束；第二步，建立基线，用固定输入形状和预热轮次测量当前 P50/P99 延迟、峰值显存与吞吐，并记录精度指标；第三步，做瓶颈归因，区分是计算受限（GPU 利用率高但延迟仍大）、内存受限（显存带宽打满或频繁换页）还是输入输出受限（数据搬运与预处理耗时占比过高）；第四步，确定优化优先级，例如延迟超标而显存充裕时优先算子融合与精度调整，显存超标时优先量化与批处理策略调整。整个过程应保留可复现的测量脚本与输入样本，避免优化前后口径不一致导致误判。

一个教学示例：换热代理模型的性能界定

假设某换热器温度场代理模型输入为 64×64 的工况参数网格，输出为同尺寸温度场，部署在单张 16 GB 显存的推理卡上，业务要求单次推理 P99 延迟不超过 30 ms、批量扫描吞吐不低于 800 次/秒、相对误差不超过 1.5%。基线测量（示例假设数据）显示：批大小 1 时 P99 延迟 46 ms，批大小 32 时吞吐 620 次/秒但 P99 升至 71 ms，峰值显存 5.2 GB，相对误差 0.9%。据此可判断：精度有余量，延迟与吞吐同时不达标，且延迟随批大小增长明显，说明瓶颈可能在输入场数据的搬运与预处理，而非纯计算。后续优化就应围绕数据管线与算子融合展开，而不是盲目压缩模型精度。这个例子说明，性能界定阶段的结论直接决定了后续优化路线的选择。