1. 课程导入与代理模型定位

在科学计算与工程仿真中，我们经常面对一个尴尬的现实：高保真模型（如有限元、计算流体力学、分子动力学）能给出可信的结果，但单次求解动辄数小时甚至数天。当任务从“算一次”变成“算一万次”——参数反演要反复调用正演、优化设计要迭代数百轮、不确定性量化要跑成千上万个样本——直接调用高保真模拟在计算上往往不可承受。代理模型（surrogate model）正是为化解这一矛盾而生：用一个计算代价极低的近似模型，去逼近高保真模型从输入参数到输出响应的映射关系。

需要先厘清代理模型的定位。它不是对物理规律的替代，而是对“某个高保真求解器在给定参数范围内的行为”的统计式逼近。高保真模型是“真值来源”，代理模型是“快速替身”。二者的关系可以概括为：高保真模拟负责生成少量但可信的样本，代理模型负责在这些样本之间进行插值或回归，从而在毫秒级给出预测。因此代理模型的可信度严格依赖于训练样本的覆盖范围与质量，超出训练分布的外推必须谨慎对待。

上图把三者的分工与三类典型场景放在一起。可以看到，参数反演、优化设计、不确定性量化有一个共同特征：它们都需要对高保真模型进行大量重复调用，而每次调用的输入参数不同。代理模型的价值就在于把“每次调用都昂贵”变成“训练一次昂贵、之后调用廉价”。以不确定性量化为例，若高保真单次求解需 30 分钟，一万次蒙特卡洛采样约需 208 天；而用 200 组样本训练一个高斯过程代理（训练约 100 小时），之后一万次预测在秒级完成，整体从“不可行”变为“可行”。这里的数字是用于说明量级差异的示例假设，实际工程中需按具体模型核算。

代理模型不是“黑箱替代”，而是有明确适用边界的近似

初学者容易把代理模型理解为“训练一个网络就完事”。实际上，代理模型的质量由三个环节共同决定：样本设计（在哪里采样）、模型选择（用什么形式拟合）、验证策略（如何判断可信）。样本设计决定信息覆盖，模型选择决定表达能力，验证策略决定我们能否放心使用。三者缺一，代理模型就可能在高保真模型“看起来正常”的区域给出严重偏差的预测。

举个具体例子。假设我们要为某换热器的出口温度建立代理模型，输入是冷却水流量 q（0.5～2.0 kg/s）和入口温度 T_in（290～310 K），输出是出口温度 T_out。高保真模型为一段稳态换热仿真，单次约 8 分钟。我们采用拉丁超立方在设计空间抽取 60 组样本，计算得到 60 组 (q, T_in, T_out)。若用二次多项式响应面拟合，可用留一交叉验证估计误差；若用高斯过程，则同时得到预测均值与方差，方差大的区域提示“样本稀疏、预测不可靠”。这一步的验证结果直接决定：代理模型能否用于后续的优化或抽样。

本课程的学习路径

围绕“训练与验证”这一主线，课程将按以下逻辑展开：先建立代理模型的基本类型与适用条件（多项式响应面、径向基函数、高斯过程、神经网络等），再讲试验设计与样本管理，随后进入训练流程、超参数处理与验证方法（交叉验证、独立测试、残差分析、外推风险识别），最后落到参数反演、优化设计、不确定性量化三类任务的完整实践，并讨论代理模型与高保真模型协同（如自适应采样、多保真度建模）的进阶做法。

学习过程中应始终带着三个问题：我的输入空间是什么、覆盖是否充分？ 我选的模型形式是否匹配响应的光滑性与非线性程度？ 我用什么独立证据证明它在使用区域内可信？ 这三个问题贯穿全部章节，也是区分“能跑通”和“能放心用”的关键。代理模型训练与验证的核心，不是把模型拟合得多么复杂，而是让每一次快速预测都有可追溯的精度依据。