1. 课程导入与问题界定

在机器学习项目中，数据往往被默认为“越多越好”。但在物理、材料、流体、结构、热学、电磁等工程与科学场景中，真正高质量、带标签、可复现的物理数据常常极其有限：一次风洞试验成本高昂，一组材料疲劳测试需要数周，某些极端工况（高温、高压、强辐射）甚至无法直接测量。本课程讨论的“物理数据稀缺”，并不是简单的样本数量少，而是在物理约束强、采集代价高、分布覆盖窄的条件下，如何训练出可靠、可外推、可解释的模型。

一、物理数据稀缺的典型场景

先建立场景意识，才能选对方法。物理数据稀缺通常出现在以下几类情形中，它们的稀缺成因并不相同，对应的技术路线也不同。

• 高成本实验型：如航空发动机叶片疲劳试验、整车碰撞试验。单次试验费用高、周期长，样本量往往只有几十到几百条，且试验条件难以大规模组合。
• 极端工况型：如核反应堆包壳材料在高温辐照下的性能、深空探测器热控部件在极端温差下的响应。这类数据不仅少，而且测量手段受限，部分标签只能通过间接量推算。
• 多物理场耦合型：如流固热耦合、电磁-热耦合问题。耦合实验设计困难，单独测某一物理场容易，但同时覆盖多场耦合状态的数据非常稀疏。
• 长尾分布型：常规工况数据充足，但失效、临界、突变等关键状态样本极少。模型在平均工况上表现良好，却在最需要预警的边界区域失效。
• 仿真替代型：用高保真仿真（如CFD、有限元）生成数据，但单次仿真耗时长，参数空间采样有限，仿真与真实之间还存在系统偏差。

这些场景的共同点是：数据获取的边际成本高，且数据分布难以覆盖真实物理空间的全部关键区域。因此，问题的本质不是“样本少”，而是“在有限信息下如何约束模型，使其符合物理规律”。

二、核心挑战：稀缺带来的四重困难

物理数据稀缺会从四个层面同时施压，理解这四重困难是后续选择方法的前提。

第一，泛化与外推困难。小样本训练容易让模型记住训练分布，一旦工况偏离训练区间，预测迅速失真。物理问题恰恰最关心边界与极端状态，而这正是数据最稀疏的地方。

第二，物理一致性难以保证。纯数据驱动模型不天然满足质量守恒、能量守恒、对称性、单调性等物理约束，可能给出“数学上拟合、物理上不可能”的结果，例如负的质量流率或违反热力学第二定律的温度分布。

第三，不确定性难以量化。样本少意味着模型参数估计方差大，预测置信度低。工程决策需要知道“这个预测有多可信”，而普通神经网络往往给出过度自信的点估计。

第四，评估与验证困难。数据少导致难以划分独立的验证集与测试集，交叉验证方差大，离线指标好不代表在线可靠。缺乏可靠的评估协议，方法优劣难以判断。

三、本课程的知识地图与学习路径

下图给出本课程的整体结构：从问题界定出发，沿“数据侧—模型侧—评估侧”三条主线展开，最终汇聚到工程落地。

学习路径建议按“先界定、再方法、后验证”的顺序推进。第一阶段建立问题意识：能判断一个项目属于哪类稀缺场景，识别主要矛盾是外推、物理违约还是评估不可靠。第二阶段掌握数据侧与模型侧的核心手段：实验设计如何在小样本下覆盖参数空间，物理约束损失如何写进训练目标，迁移学习如何借用相近工况的预训练知识。第三阶段聚焦评估与落地：如何在小验证集上做可靠比较，如何用不确定性量化支撑工程决策。

四、一个贯穿课程的示例场景

为了让抽象方法有落点，本课程后续将以一个简化示例贯穿：某型换热器翅片在入口温度 300～600 K、流速 2～10 m/s 工况下的换热系数预测。假设实测数据仅有 48 组，覆盖 350～520 K 的常规区间，而设计最关心的 560～600 K 高温区几乎没有实测点。这个设定包含了两类典型困难：样本量小，以及关键区域分布缺失。

面对这样的任务，可以先用一个可执行的判断流程来定位工作重点：

输入：任务目标（预测换热系数）、可用实测样本数 N、目标工况范围
步骤1  检查目标工况是否落在实测覆盖区间内
        └─ 否 → 优先考虑外推风险，需引入物理约束或仿真数据补充
步骤2  检查是否存在可用的高保真仿真模型
        └─ 是 → 规划仿真采样，与实测数据做偏差校正
步骤3  检查物理规律是否明确（守恒方程、边界条件、单调性）
        └─ 是 → 设计物理约束损失项，纳入训练目标
步骤4  评估验证集是否独立且覆盖边界工况
        └─ 否 → 采用留一工况交叉验证，并报告不确定性区间
输出：方法组合建议 + 主要风险点

这个流程不是固定模板，而是一种“先定位风险、再选方法”的思考方式。例如，若步骤1判断目标工况在覆盖区间内，问题重心就转向样本效率与不确定性量化；若判断存在明显外推，则物理约束与仿真融合的权重应提高。后续章节会分别展开这些方法的具体实现、参数设置与结果判读。

五、学习目标与自我检查

完成本章及后续内容后，你应当能够：面对一个物理数据稀缺任务，说清它属于哪类场景、主要困难是什么、准备用哪几条技术路线组合应对，并能给出可验证的评估方案。可以用下面三个问题做自我检查：目标工况是否被数据覆盖？模型是否满足已知物理约束？预测结果是否带有可信度信息？三个问题中任何一个答不上来，都说明方法组合还不完整。

本章完成了问题界定与路径铺陈。接下来将从数据侧的第一个具体问题开始：在样本预算有限时，如何设计采样点，使有限的数据尽可能覆盖参数空间中最关键的区域。