2. 外推风险的基本概念与分类

在科学机器学习中，模型几乎不可能只在训练数据覆盖的那一小块区域里被使用。我们训练一个代理模型，往往希望它能在更宽的参数范围、更复杂的几何构型或更极端的边界条件下继续给出可信预测。所谓外推风险，指的就是模型被推到训练分布之外时，预测误差可能急剧放大、甚至给出物理上不合理结果的风险。理解外推风险，第一步不是急着选检测算法，而是把"模型究竟离开了什么"这件事说清楚——离开的是输入分布、输入与输出的映射关系，还是问题本身的结构与边界。

分布内与分布外：先定义"参照系"

设训练样本服从联合分布 $p_{\text{train}}(x,y)$，部署时遇到的样本服从 $p_{\text{test}}(x,y)$。若两者一致，称为分布内（in-distribution, ID）；若不一致，则为分布外（out-of-distribution, OOD）。这个定义的关键在于"参照系"是训练分布，而不是某个绝对标准。同一批测试数据，对模型 A 可能是分布内，对训练集更窄的模型 B 就是分布外。因此在工程实践中，必须明确写出参照的训练分布范围，例如"以 Re=1×10³～1×10⁴、攻角 0°～8° 的 CFD 样本训练"，否则"OOD"只是一个空泛标签。

更细致地，OOD 可拆成两个可分别检验的维度：协变量偏移（covariate shift）指输入边缘分布变化而条件分布不变，即 $p_{\text{test}}(x)\neq p_{\text{train}}(x)$ 但 $p(y\mid x)$ 相同；概念偏移（concept shift）指输入与输出的关系本身改变，即 $p(y\mid x)$ 变化。二者在科学问题中的表现差别很大：协变量偏移常表现为"工况跑到训练区间外"，概念偏移则常表现为"同样的输入，物理机制换了"。例如在材料本征模型里，把训练于常温的弹性模量预测器用于高温，若仅温度数值超出范围而本构关系仍成立，偏协变量偏移；若高温下发生了相变、变形机制由位错滑移转为扩散蠕变，则属于概念偏移，此时即便输入落在数值区间内，映射关系也已失效。

三类外推：参数、结构、边界

按"离开训练分布的哪个成分"来划分，科学机器学习中的外推通常分为三类，它们对应的风险形态并不相同。

参数外推是最常见的一类：模型输入是连续物理参数（雷诺数、温度、压力、浓度、载荷幅值等），部署时参数取值超出训练区间。它的风险通常随外推距离增大而单调上升，表现为误差平滑放大。例如用 Re=10³～10⁴ 的样本训练湍流代理模型，直接用于 Re=10⁵ 时，边界层转捩与湍流尺度变化未被训练覆盖，预测的壁面摩阻系数可能偏低 20% 以上（示例性估计，需以实际验证为准）。参数外推的可检测性较好，因为输入本身可观测，用简单的区间检查或密度估计就能给出预警。

结构外推指输入对象的几何、拓扑或组分发生变化，例如训练于若干标准翼型、部署于全新翼型；训练于小分子、部署于含新官能团的大分子；训练于规则晶格、部署于缺陷或掺杂结构。结构外推的风险往往不是平滑放大，而是"突变式"失效：模型可能对某个局部几何特征从未见过，导致场量预测在局部出现非物理振荡。这类外推难以仅靠输入数值区间判断，需要借助表征空间的距离度量或物理约束检验。

边界外推指边界条件、初始条件或外部激励改变，例如训练于无激波工况、部署于含激波的跨声速工况；训练于定常问题、部署于非定常问题。边界条件改变常常同时改变解的正则性与守恒性质，因此风险最高，且最容易出现"数值上像、物理上错"的结果，例如预测出负浓度、越过声速的异常值或违反能量守恒。

如何在实践中落地判断

把上述概念用于实际评估，建议按以下顺序操作。第一步，显式记录训练分布：对每个输入维度给出取值范围、采样密度与相关性结构，形成一份可查询的"训练域描述"，而不是只保留数据文件。第二步，对部署输入做分布检查：对连续参数用区间与分位数检查，对高维输入用马氏距离或密度比估计，输出一个"偏移分数"。第三步，区分偏移类型：若输入偏移但模型残差在偏移区域内仍保持与 ID 相当的统计特性，倾向协变量偏移；若残差随偏移迅速增大或出现系统性偏差，则提示概念偏移。第四步，加入物理一致性检验：检查守恒量、正定性、边界渐近行为等硬约束，作为外推风险的独立证据。