多保真模型这个概念我第一次接触是在试算某个结构优化任务的时候。当时用高精度的CFD算一次就要好几个小时参数往多了调根本跑不动只好先用粗糙网格顶着后来才发现先用便宜模型扫一轮再用贵模型精修这套思路本身就是一门系统学问——多保真建模。它不是某个固定算法更像一种建模策略同时拥有两个以上精度不同、计算成本悬殊的模型把两者结合起来让整体计算既接近高精度结果的可靠性又把开销压到低保真模型量级。搞工程仿真、优化设计、机器学习超参调优的人都值得了解凡是一次仿真贵到肉疼、但参数空间又大得离谱的场合多保真几乎都是正解。下面把底层原理、实操套路和踩过的坑一次讲清楚。1. 工程界最常见的一个悖论高保真真的高保真吗多保真这个词里的保真说白了就是这个模型到底有多贴近真实物理过程。我们做仿真时通常有个朴素信念网格分得越细、物理模型越完整、迭代收敛判据越严结果就越可信。这个直觉没错但执行起来往往是个灾难。高保真调用的代价不只是慢它还直接影响整个设计循环的节奏。比如某个新构型在结构寻优里要跑上百次CFD单次4小时按顺序算一轮就得三四周等结果出来设计窗口早关了。于是实际工程里经常出现一种自欺欺人的操作高保真算完整模型但只在两三个设计点上验证其余大量设计点大家默认用粗糙模型替代心里又清楚粗糙模型在某些区间偏得离谱。这种高低模型各干各的、谁也不管谁的做法才是最大的资源浪费。多保真的思路则完全不同。它的核心洞察是高低保真模型之间往往存在某种内在关联既然都反映了同一个物理过程那两者之间的差异就有规律可循。我们可以用低保真模型快速覆盖整个参数空间再用少量高保真采样把两者之间的关系模型化于是低保真结果相当于被校准了一遍既有了精度又保留了它的便宜。这里的保真其实是个相对概念。即便最高精度模型如果边界条件和材料参数给错它照样给出一个精确的错答案。所以在多保真框架里我们关心的是相对差异和一致性而不是某个模型单独的绝对正确。理解了这一点后面的所有策略就顺了。1.1 成本-精度比才是真正的度量指标评估多保真方案时我们最该看的不是精度数值而是精度/成本这个比。高保真模型单次成本是高但如果它能在设计点上给出可靠响应面整体摊下来可能反而划算。低保真模型虽然单次便宜可如果它的系统性偏倚太大要纠正这个偏倚所花费的高保真样本数可能比直接全高保真还多。所以不推荐上来就套用某个现成的多保真算法。正确的第一步是量化两个模型各自的成本曲线和偏倚特征。实际操作中可以这样摸底先在参数空间均匀取10到30个点两档模型各算一遍画出差值随参数变化的趋势。差值如果是平缓的、有规律的后续用校正函数就能补救如果差值剧烈振荡甚至正负乱跳那说明低保真模型漏掉了关键物理机制这时候真正该做的是改进低保真模型本身而不是硬上多保真融合。1.2 各种保真度并不只有网格密度一种维度很多人想到高低保真就以为是粗细网格的事实际保真度的差异可以在很多层面上体现。常见组合包括不同网格密度、不同湍流模型S-A与LES、不同时间步长、不同物理场耦合深度单向耦合与双向耦合、不同维数一维管网模型与三维CFD。具体工程里我常用的一种组合本地用降阶模型作低保真全尺寸非线性模型作高保真。降阶模型不是把网格变粗而是对系统方程做模态截断只保留关键特征。它几秒就算出一个接近的值但在远离校准工况的地方会明显跑偏正好给高保真留出校正的空间。选择哪两个保真度关键看相对成本差有没有拉到两个数量级以上以及两个模型之间的相关性是否随参数连续变化。2. 廉价打底、贵数校准核心思路就这一句话把多保真的逻辑压缩成一句话就是廉价模型给出全貌昂贵模型给出准数再用一个校正关系把两者焊接起来。这个校正关系是整个框架的心脏。不需要一开始就把它想得太玄乎。你看两个模型在参数x下的预测分别为f_low(x)和f_high(x)其实我们想找的就是一个桥梁函数使得f_low经过变换之后逼近f_high。最简单粗暴的桥梁函数是差值的f_high(x) ≈ f_low(x) δ(x)这里δ(x)就是高保真和低保真之间的偏差。理论上只要我们有足够的高保真样本点就能把δ(x)拟合出来。可问题是如果δ(x)本身很复杂我们需要的高保真样本点数量就上去了性价比又没了。所以多保真建模真正的技术含量全在怎么把δ(x)变得尽量简单、尽量光滑。一个有经验的工程人员会刻意选择低保真模型让它和高保真模型的差值尽量是系统性的、缓慢变化的部分。比如在CFD中如果你换上更精细的湍流模型通常最终结果仍与你加密网格的结果相差不大——但换模型和换网格之间差出来的部分却常常有明确的规律例如附面层厚度差在攻角变化时呈现半线性的趋势。我们要的就是这种有规律的差。反过来校正项也可以是乘法形式f_high(x) ≈ α(x) · f_low(x)当两个模型量级差异大时乘法校正比加法更稳定典型场景是低阶模型没有捕获某些剧烈物理过程时乘一个局部缩放因子比加一个偏移量更符合物理直觉。2.1 全局校正还是局部校正必须按数据密度来选校正函数δ(x)有两种建模方式全局参数模型和局部插值模型。全局参数模型假设偏差形式已知比如δ是x的二次多项式然后用最小二乘拟合系数。这个方案在采样点少、维度低的时候好用但它很脆弱一旦真实偏差不是多项式形式整个校正就全偏了。局部方法则更稳妥它不对偏差做强烈假设只用已知高保真点的局部邻域信息来插值。常用的手段包括高斯过程回归Kriging、径向基函数插值。这类方法在高维空间里需要的样本量随维度爆炸所以约束条件是你只能在高保真点周围局部校正不要指望去校正很远区域。实际项目中我常做一个混合策略先用多项式这么做全局趋势拟合剩下的残差再用局部高斯过程修正。这样全局不发散局部有细节两个模型各取所长。听起来有点绕但实现起来不过就是两次回归完全可以直接写。这里也要提醒一点不是所有问题都值得做多保真融合。如果低保真模型和高保真模型的差值达不到平滑。差值本身就随机剧烈震荡那融合是浪费时间倒不如直接改进低保真模型本身。多保真算法的价值边界依附于两个模型之间的可学习关联而不是某种魔法。3. 空间映射、协同克里金与赋值框架多保真的实现手段远不止一套但工程中最常用的有三条技术路线。理解这些路线之间的区别能帮你在具体项目里快速选型。多说一句这些年AI领域常说的迁移学习、预训练-微调多任务学习骨子里跟多保真建模用的是同一套逻辑——用便宜任务的输出去指导贵任务的建模。3.1 空间映射最符合工程师直觉的方法空间映射Space Mapping的思路最直白它假设低压模型和高保真模型之间存在一个参数空间上的映射关系P使得f_high(P(x)) ≈ f_low(x)换句话说低保真模型在x点的结果约等于高保真模型在映射后参数点上的结果。注意这里的映射发生在参数空间而不是输出空间我们想找到的是高保真参数-低保真参数之间的对应。实际使用的时候通常是反方向给定目标性能先在低保真模型上找到满足条件的参数x_low再用空间映射把它翻译成x_high扔进高保真模型验证。这个思路最大的价值在于它保留了物理意义的可解释性。映射关系经过若干次迭代后可以直观看到阻尼系数、刚度系数在高保真和低保真模型之间是如何标定的这比纯黑箱校正函数更容易赢得工程团队信任。比较经典的应用场景是微波电路的电磁仿真优化粗糙模型用等效电路模型精细模型用全波电磁仿真两者通过映射不断迭代。3.2 协同克里金把偏倚当作随机过程协同克里金Co-Kriging是统计派的看家本领。它同时建立两个采集函数一个代表低保真模型的空间分布另一个代表高低保真模型之间的偏差分布。每一个高保真点的到来都会同时更新对偏差随机过程的认知。协同克里金的核心假设是偏差过程只与参数x相关、与低保真模型的取值不相关。换句话说偏差是一个独立的空间随机过程可以被高斯过程拟合。这个方法的优势是可以给出预测的同时给出不确定性非常适合优化算法做主动采样——即每次只补最不确定的高保真点。实际算例中协同克里金收敛速度往往快于普通克里金因为低保真模型提供了全局趋势深保真点的作用只是修正局部偏差。可以说低保真模型在这里扮演的不是必须精确的替代品而是引导采样路径的梯度传感器。做个不太严谨的类比普通克里金是用探照灯扫整个空间协同克里金是先用激光雷达扫一遍地形起伏低保真再用高精度仪器台量关键位置的高程高保真。3.3 层级式赋值与多级网格还有一个经常被提到的思路来自数值计算的多网格法传统。多级方法在求解PDE时通过在粗细网格之间迁移残差加速收敛。把这个思路拿到模型融合上就变成了层级式赋值先用最粗模型对整个设计空间做全局寻优找到候选区域后在该区间加密高保真采样逐层下钻。这类方法在流体优化中很常见粗网格上走全局搜索细网格上做局部精修。需要注意的是层级式方法在寻优任务上效率极高但在响应面建模任务上并不灵光——它难以给出空间全域的精确预测因为采样点严重偏向局部区域。所以选型时先问自己任务是找到一个好设计还是建一个全局代理模型。前者优先考虑空间映射或层级式寻优后者优先考虑协同克里金一类的统计建模。每种方案都有对手戏的用法硬套只会让自己难受。4. 实操中让人最头疼的三个坑纸上推演多保真总觉得哪哪都对一到实测就发现各种意外。可以说多保真模型能不能落地很大程度上取决于你对这些坑有没有预期。4.1 低保真模型的系统性偏差并不光滑第一个坑就是偏差函数根本不是你以为的平滑曲线。比如两个湍流模型在不同攻角范围下交替偏大偏小呈现分段特性再加个新构型偏置符号可能直接反转。这时候如果你还用一个全局二次多项式去校正结果会比不校正还差。处理方式有两个方向。一是改用与物理规律对齐的分区校正——比如按流动状态附着流、分离流分段建校正模型二是直接调整低保真模型本身把某个关键参数的基准值改一下让偏差重新变光滑。我遇到过不止一次仅仅是改了低保真模型的一个系数整个偏差从剧烈振荡直接变成一条直线。前期花点时间探究偏差的来源后期能省掉大量修正工作。4.2 高保真样本点的误差掩盖偏差特征第二个坑和样本质量有关。高保真模型也不是完美无缺的它在不同网格密度、不同收敛精度下自身就有散布。如果你用一批分散度很大的高保真点去拟合偏差函数偏倚校正项会把噪声也一并当趋势学进去。正确做法是要对同一个高保真点做至少两到三次独立计算改变网格扰动、初始条件估算其自身的数值误差范围。只有当偏差函数的幅值远大于高保真模型自身散布时校正才有意义。这个信噪比检验在统计里很基础但在多保真项目里很多人不做。4.3 维度灾难与贪婪采样第三个坑是维度。参数空间一旦超过8到10个维度所有基于距离插值的校正方法都会面临采样稀释问题。设计点的间距会随维度指数级增大任何局部插值都无法保证精度。这时候就要砍维度通过敏感性分析把参数精简到三到五个。砍维度要讲究方法。不要依据单点灵敏度直接排序因为强交互效应往往隐藏在二阶交叉项中。先做一次低保真模型的全局敏感性分析筛选出对输出方差贡献累计达到95%的参数砍掉其余再上多保真。这个简单动作能把高保真样本需求削减好几倍实际操作中屡试不爽。5. 一套可复用的落地工作流基于以上原则我一般按五步走的方式推进多保真建模项目。这里给出一个可以照抄的操作流程具体参数根据项目微调即可。5.1 第一步模型族盘点与成本评估先把手里能用的模型列出来从最粗到最细逐个记录单次计算成本、保真度特征、常用边界条件。重点记录两个数单次耗时和已有可用代码量。很多时候最经济的低保真模型不是最粗的网格而是一个现成的简化物理模型——因为你不用重新写代码。接着做一次小型预研在参数空间均匀取10个点左右用两个候选模型分别计算。这一步的产出不只是差值曲线还包括每个模型的结果散布。我在预研时一定会同时输出三张图低保真预测值、高保真预测值、差值散点图。看完这三张图愿不愿意做多保真就基本心里有底了。5.2 第二步合理性检验与偏差特征分析拿到差值散点图后先做定性判断差值是否存在明显趋势还是随机噪声占主导。可以算一个简单的信噪比差值均方根除以高保真模型自身散布的均方根。比值低于2.5的话我建议直接放弃多保真埋头改进低保真模型。如果信噪比过关接下来做线性拟合和光滑性检查。看拟合残差是否随参数位置出现成片的高残差区。如果高残差区集中出现在物理激变区比如跨声速、失速边界这些区域就要围绕这些区域补充高保真样本而不是继续均匀采样。5.3 第三步校正模型构建当参数少于6个且偏差光滑直接用低阶多项式做全局校正就够了实现简单鲁棒性也好。参数较多或偏差细节丰富时引入高斯过程残差修正。注意先对输入参数做归一化。很多新手上路时忽略这一步导致权重初始化判断完全失衡——归一化之后高斯过程的长度尺度解释才有意义。代码层面很简单开源工具有现成模块。我只提醒三个地方核函数选择默认用Matérn就好比RBF更不容易过平滑长度尺度边界设定在样本间距的十分之一到十倍之间别放开无穷范围噪声项必须设置成小正值而不是零否则预测方差在已知点会塌缩成0那么采样准则就失真。5.4 第四步主动采样与收敛监控固定一批高保真样本点了再补点的时候要讲究策略。我的习惯是前40%的样本均匀分布保证全局覆盖后面60%用预测方差最大或期望改进最大准则来补。刚开始就把所有样本丢给主动采样过程容易让模型早熟把区域局部化丢掉全局结构。收敛监控用交叉验证。把高保真样本按八二分成训练集和验证集反复五次随机划分画验证集误差曲线。当五次划分的误差均值进入稳定平台区间就可以停止采样了。这里特别注意误差不再明显下降时新增的高保真点主要是在修改局部高方差区域对全局精度贡献很小这也提示你整个方案已经跑到了数据能提供的极限。5.5 第五步不确定性沟通最后一步经常被忽略多保真模型给用户的是一个经校准的预测但用户真正应该拿到的是预测的不确定性。哪怕是最简单的计数型误差带也比没有任何误差提示的单一预测值好。实际汇报时我把不确定性分成两部分一是校正模型自身的统计不确定性二是原始的模型形态不确定性比如湍流模型选择导致的差异。前者可以用高斯过程的预测方差估算后者只能用多个物理模型互算来横向对比。把这两个误差源分开画工程团队反而更能接受因为物理模型的差异他们自己能判断统计误差则需要模型给出。6. 扩展视野不止于传统的粗网格-细网格最后说几句多保真的进阶扩展。前面讲的都是同一物理模型家族内部的不同保真度组合。但近几年大家开始把不同物理层次的模型也纳入多保真框架比如把一维系统级模型、二维截面模型和三维全尺寸模型串起来形成一个完整的精度金字塔。这种跨维度的多保真融合在系统工程中特别实用。比如某动力系统集成了一个管路子结构三维CFD局部网格死活收敛不了但一维模型在全局流量分配上又不够准。这时可以用三维模型只校准一维模型的压降系数相当于把高保真信息通过一个标量反馈进入低维模型再用低维模型驱动全局多目标寻优。这套路本质上就是空间映射思想的一个变体但它把校正什么参数的自由度做大了一圈。还有一类变体是保真度随时间变化的方案。某些瞬态问题在启动阶段的高保真计算特别昂贵而到了稳定阶段低保真模型的偏差几乎消失。此时可以做时间维度的多保真切换启动段走高保真入稳后切到低保真再在状态突变点用触发机制切回高保真。这一招在电机温升和管网水锤仿真中都有人用实际可以省掉至少三分之一的算力。对于刚刚接触多保真的朋友我的建议是找一个只有三维参数的小项目练手完整走一遍上面五个步骤。把差值分析、信噪比判断、校正建模、主动采样这四个环节的直觉建立起来再放大规模。多保真不是银弹它的核心素质是用最小的高成本调用换取最大化的全局信息这个分寸感只能在实战里慢慢磨出来。
多保真模型这个概念我第一次接触是在试算某个结构优化任务的时候。当时用高精度的CFD算一次就要好几个小时参数往多了调根本跑不动只好先用粗糙网格顶着后来才发现先用便宜模型扫一轮再用贵模型精修这套思路本身就是一门系统学问——多保真建模。它不是某个固定算法更像一种建模策略同时拥有两个以上精度不同、计算成本悬殊的模型把两者结合起来让整体计算既接近高精度结果的可靠性又把开销压到低保真模型量级。搞工程仿真、优化设计、机器学习超参调优的人都值得了解凡是一次仿真贵到肉疼、但参数空间又大得离谱的场合多保真几乎都是正解。下面把底层原理、实操套路和踩过的坑一次讲清楚。1. 工程界最常见的一个悖论高保真真的高保真吗多保真这个词里的保真说白了就是这个模型到底有多贴近真实物理过程。我们做仿真时通常有个朴素信念网格分得越细、物理模型越完整、迭代收敛判据越严结果就越可信。这个直觉没错但执行起来往往是个灾难。高保真调用的代价不只是慢它还直接影响整个设计循环的节奏。比如某个新构型在结构寻优里要跑上百次CFD单次4小时按顺序算一轮就得三四周等结果出来设计窗口早关了。于是实际工程里经常出现一种自欺欺人的操作高保真算完整模型但只在两三个设计点上验证其余大量设计点大家默认用粗糙模型替代心里又清楚粗糙模型在某些区间偏得离谱。这种高低模型各干各的、谁也不管谁的做法才是最大的资源浪费。多保真的思路则完全不同。它的核心洞察是高低保真模型之间往往存在某种内在关联既然都反映了同一个物理过程那两者之间的差异就有规律可循。我们可以用低保真模型快速覆盖整个参数空间再用少量高保真采样把两者之间的关系模型化于是低保真结果相当于被校准了一遍既有了精度又保留了它的便宜。这里的保真其实是个相对概念。即便最高精度模型如果边界条件和材料参数给错它照样给出一个精确的错答案。所以在多保真框架里我们关心的是相对差异和一致性而不是某个模型单独的绝对正确。理解了这一点后面的所有策略就顺了。1.1 成本-精度比才是真正的度量指标评估多保真方案时我们最该看的不是精度数值而是精度/成本这个比。高保真模型单次成本是高但如果它能在设计点上给出可靠响应面整体摊下来可能反而划算。低保真模型虽然单次便宜可如果它的系统性偏倚太大要纠正这个偏倚所花费的高保真样本数可能比直接全高保真还多。所以不推荐上来就套用某个现成的多保真算法。正确的第一步是量化两个模型各自的成本曲线和偏倚特征。实际操作中可以这样摸底先在参数空间均匀取10到30个点两档模型各算一遍画出差值随参数变化的趋势。差值如果是平缓的、有规律的后续用校正函数就能补救如果差值剧烈振荡甚至正负乱跳那说明低保真模型漏掉了关键物理机制这时候真正该做的是改进低保真模型本身而不是硬上多保真融合。1.2 各种保真度并不只有网格密度一种维度很多人想到高低保真就以为是粗细网格的事实际保真度的差异可以在很多层面上体现。常见组合包括不同网格密度、不同湍流模型S-A与LES、不同时间步长、不同物理场耦合深度单向耦合与双向耦合、不同维数一维管网模型与三维CFD。具体工程里我常用的一种组合本地用降阶模型作低保真全尺寸非线性模型作高保真。降阶模型不是把网格变粗而是对系统方程做模态截断只保留关键特征。它几秒就算出一个接近的值但在远离校准工况的地方会明显跑偏正好给高保真留出校正的空间。选择哪两个保真度关键看相对成本差有没有拉到两个数量级以上以及两个模型之间的相关性是否随参数连续变化。2. 廉价打底、贵数校准核心思路就这一句话把多保真的逻辑压缩成一句话就是廉价模型给出全貌昂贵模型给出准数再用一个校正关系把两者焊接起来。这个校正关系是整个框架的心脏。不需要一开始就把它想得太玄乎。你看两个模型在参数x下的预测分别为f_low(x)和f_high(x)其实我们想找的就是一个桥梁函数使得f_low经过变换之后逼近f_high。最简单粗暴的桥梁函数是差值的f_high(x) ≈ f_low(x) δ(x)这里δ(x)就是高保真和低保真之间的偏差。理论上只要我们有足够的高保真样本点就能把δ(x)拟合出来。可问题是如果δ(x)本身很复杂我们需要的高保真样本点数量就上去了性价比又没了。所以多保真建模真正的技术含量全在怎么把δ(x)变得尽量简单、尽量光滑。一个有经验的工程人员会刻意选择低保真模型让它和高保真模型的差值尽量是系统性的、缓慢变化的部分。比如在CFD中如果你换上更精细的湍流模型通常最终结果仍与你加密网格的结果相差不大——但换模型和换网格之间差出来的部分却常常有明确的规律例如附面层厚度差在攻角变化时呈现半线性的趋势。我们要的就是这种有规律的差。反过来校正项也可以是乘法形式f_high(x) ≈ α(x) · f_low(x)当两个模型量级差异大时乘法校正比加法更稳定典型场景是低阶模型没有捕获某些剧烈物理过程时乘一个局部缩放因子比加一个偏移量更符合物理直觉。2.1 全局校正还是局部校正必须按数据密度来选校正函数δ(x)有两种建模方式全局参数模型和局部插值模型。全局参数模型假设偏差形式已知比如δ是x的二次多项式然后用最小二乘拟合系数。这个方案在采样点少、维度低的时候好用但它很脆弱一旦真实偏差不是多项式形式整个校正就全偏了。局部方法则更稳妥它不对偏差做强烈假设只用已知高保真点的局部邻域信息来插值。常用的手段包括高斯过程回归Kriging、径向基函数插值。这类方法在高维空间里需要的样本量随维度爆炸所以约束条件是你只能在高保真点周围局部校正不要指望去校正很远区域。实际项目中我常做一个混合策略先用多项式这么做全局趋势拟合剩下的残差再用局部高斯过程修正。这样全局不发散局部有细节两个模型各取所长。听起来有点绕但实现起来不过就是两次回归完全可以直接写。这里也要提醒一点不是所有问题都值得做多保真融合。如果低保真模型和高保真模型的差值达不到平滑。差值本身就随机剧烈震荡那融合是浪费时间倒不如直接改进低保真模型本身。多保真算法的价值边界依附于两个模型之间的可学习关联而不是某种魔法。3. 空间映射、协同克里金与赋值框架多保真的实现手段远不止一套但工程中最常用的有三条技术路线。理解这些路线之间的区别能帮你在具体项目里快速选型。多说一句这些年AI领域常说的迁移学习、预训练-微调多任务学习骨子里跟多保真建模用的是同一套逻辑——用便宜任务的输出去指导贵任务的建模。3.1 空间映射最符合工程师直觉的方法空间映射Space Mapping的思路最直白它假设低压模型和高保真模型之间存在一个参数空间上的映射关系P使得f_high(P(x)) ≈ f_low(x)换句话说低保真模型在x点的结果约等于高保真模型在映射后参数点上的结果。注意这里的映射发生在参数空间而不是输出空间我们想找到的是高保真参数-低保真参数之间的对应。实际使用的时候通常是反方向给定目标性能先在低保真模型上找到满足条件的参数x_low再用空间映射把它翻译成x_high扔进高保真模型验证。这个思路最大的价值在于它保留了物理意义的可解释性。映射关系经过若干次迭代后可以直观看到阻尼系数、刚度系数在高保真和低保真模型之间是如何标定的这比纯黑箱校正函数更容易赢得工程团队信任。比较经典的应用场景是微波电路的电磁仿真优化粗糙模型用等效电路模型精细模型用全波电磁仿真两者通过映射不断迭代。3.2 协同克里金把偏倚当作随机过程协同克里金Co-Kriging是统计派的看家本领。它同时建立两个采集函数一个代表低保真模型的空间分布另一个代表高低保真模型之间的偏差分布。每一个高保真点的到来都会同时更新对偏差随机过程的认知。协同克里金的核心假设是偏差过程只与参数x相关、与低保真模型的取值不相关。换句话说偏差是一个独立的空间随机过程可以被高斯过程拟合。这个方法的优势是可以给出预测的同时给出不确定性非常适合优化算法做主动采样——即每次只补最不确定的高保真点。实际算例中协同克里金收敛速度往往快于普通克里金因为低保真模型提供了全局趋势深保真点的作用只是修正局部偏差。可以说低保真模型在这里扮演的不是必须精确的替代品而是引导采样路径的梯度传感器。做个不太严谨的类比普通克里金是用探照灯扫整个空间协同克里金是先用激光雷达扫一遍地形起伏低保真再用高精度仪器台量关键位置的高程高保真。3.3 层级式赋值与多级网格还有一个经常被提到的思路来自数值计算的多网格法传统。多级方法在求解PDE时通过在粗细网格之间迁移残差加速收敛。把这个思路拿到模型融合上就变成了层级式赋值先用最粗模型对整个设计空间做全局寻优找到候选区域后在该区间加密高保真采样逐层下钻。这类方法在流体优化中很常见粗网格上走全局搜索细网格上做局部精修。需要注意的是层级式方法在寻优任务上效率极高但在响应面建模任务上并不灵光——它难以给出空间全域的精确预测因为采样点严重偏向局部区域。所以选型时先问自己任务是找到一个好设计还是建一个全局代理模型。前者优先考虑空间映射或层级式寻优后者优先考虑协同克里金一类的统计建模。每种方案都有对手戏的用法硬套只会让自己难受。4. 实操中让人最头疼的三个坑纸上推演多保真总觉得哪哪都对一到实测就发现各种意外。可以说多保真模型能不能落地很大程度上取决于你对这些坑有没有预期。4.1 低保真模型的系统性偏差并不光滑第一个坑就是偏差函数根本不是你以为的平滑曲线。比如两个湍流模型在不同攻角范围下交替偏大偏小呈现分段特性再加个新构型偏置符号可能直接反转。这时候如果你还用一个全局二次多项式去校正结果会比不校正还差。处理方式有两个方向。一是改用与物理规律对齐的分区校正——比如按流动状态附着流、分离流分段建校正模型二是直接调整低保真模型本身把某个关键参数的基准值改一下让偏差重新变光滑。我遇到过不止一次仅仅是改了低保真模型的一个系数整个偏差从剧烈振荡直接变成一条直线。前期花点时间探究偏差的来源后期能省掉大量修正工作。4.2 高保真样本点的误差掩盖偏差特征第二个坑和样本质量有关。高保真模型也不是完美无缺的它在不同网格密度、不同收敛精度下自身就有散布。如果你用一批分散度很大的高保真点去拟合偏差函数偏倚校正项会把噪声也一并当趋势学进去。正确做法是要对同一个高保真点做至少两到三次独立计算改变网格扰动、初始条件估算其自身的数值误差范围。只有当偏差函数的幅值远大于高保真模型自身散布时校正才有意义。这个信噪比检验在统计里很基础但在多保真项目里很多人不做。4.3 维度灾难与贪婪采样第三个坑是维度。参数空间一旦超过8到10个维度所有基于距离插值的校正方法都会面临采样稀释问题。设计点的间距会随维度指数级增大任何局部插值都无法保证精度。这时候就要砍维度通过敏感性分析把参数精简到三到五个。砍维度要讲究方法。不要依据单点灵敏度直接排序因为强交互效应往往隐藏在二阶交叉项中。先做一次低保真模型的全局敏感性分析筛选出对输出方差贡献累计达到95%的参数砍掉其余再上多保真。这个简单动作能把高保真样本需求削减好几倍实际操作中屡试不爽。5. 一套可复用的落地工作流基于以上原则我一般按五步走的方式推进多保真建模项目。这里给出一个可以照抄的操作流程具体参数根据项目微调即可。5.1 第一步模型族盘点与成本评估先把手里能用的模型列出来从最粗到最细逐个记录单次计算成本、保真度特征、常用边界条件。重点记录两个数单次耗时和已有可用代码量。很多时候最经济的低保真模型不是最粗的网格而是一个现成的简化物理模型——因为你不用重新写代码。接着做一次小型预研在参数空间均匀取10个点左右用两个候选模型分别计算。这一步的产出不只是差值曲线还包括每个模型的结果散布。我在预研时一定会同时输出三张图低保真预测值、高保真预测值、差值散点图。看完这三张图愿不愿意做多保真就基本心里有底了。5.2 第二步合理性检验与偏差特征分析拿到差值散点图后先做定性判断差值是否存在明显趋势还是随机噪声占主导。可以算一个简单的信噪比差值均方根除以高保真模型自身散布的均方根。比值低于2.5的话我建议直接放弃多保真埋头改进低保真模型。如果信噪比过关接下来做线性拟合和光滑性检查。看拟合残差是否随参数位置出现成片的高残差区。如果高残差区集中出现在物理激变区比如跨声速、失速边界这些区域就要围绕这些区域补充高保真样本而不是继续均匀采样。5.3 第三步校正模型构建当参数少于6个且偏差光滑直接用低阶多项式做全局校正就够了实现简单鲁棒性也好。参数较多或偏差细节丰富时引入高斯过程残差修正。注意先对输入参数做归一化。很多新手上路时忽略这一步导致权重初始化判断完全失衡——归一化之后高斯过程的长度尺度解释才有意义。代码层面很简单开源工具有现成模块。我只提醒三个地方核函数选择默认用Matérn就好比RBF更不容易过平滑长度尺度边界设定在样本间距的十分之一到十倍之间别放开无穷范围噪声项必须设置成小正值而不是零否则预测方差在已知点会塌缩成0那么采样准则就失真。5.4 第四步主动采样与收敛监控固定一批高保真样本点了再补点的时候要讲究策略。我的习惯是前40%的样本均匀分布保证全局覆盖后面60%用预测方差最大或期望改进最大准则来补。刚开始就把所有样本丢给主动采样过程容易让模型早熟把区域局部化丢掉全局结构。收敛监控用交叉验证。把高保真样本按八二分成训练集和验证集反复五次随机划分画验证集误差曲线。当五次划分的误差均值进入稳定平台区间就可以停止采样了。这里特别注意误差不再明显下降时新增的高保真点主要是在修改局部高方差区域对全局精度贡献很小这也提示你整个方案已经跑到了数据能提供的极限。5.5 第五步不确定性沟通最后一步经常被忽略多保真模型给用户的是一个经校准的预测但用户真正应该拿到的是预测的不确定性。哪怕是最简单的计数型误差带也比没有任何误差提示的单一预测值好。实际汇报时我把不确定性分成两部分一是校正模型自身的统计不确定性二是原始的模型形态不确定性比如湍流模型选择导致的差异。前者可以用高斯过程的预测方差估算后者只能用多个物理模型互算来横向对比。把这两个误差源分开画工程团队反而更能接受因为物理模型的差异他们自己能判断统计误差则需要模型给出。6. 扩展视野不止于传统的粗网格-细网格最后说几句多保真的进阶扩展。前面讲的都是同一物理模型家族内部的不同保真度组合。但近几年大家开始把不同物理层次的模型也纳入多保真框架比如把一维系统级模型、二维截面模型和三维全尺寸模型串起来形成一个完整的精度金字塔。这种跨维度的多保真融合在系统工程中特别实用。比如某动力系统集成了一个管路子结构三维CFD局部网格死活收敛不了但一维模型在全局流量分配上又不够准。这时可以用三维模型只校准一维模型的压降系数相当于把高保真信息通过一个标量反馈进入低维模型再用低维模型驱动全局多目标寻优。这套路本质上就是空间映射思想的一个变体但它把校正什么参数的自由度做大了一圈。还有一类变体是保真度随时间变化的方案。某些瞬态问题在启动阶段的高保真计算特别昂贵而到了稳定阶段低保真模型的偏差几乎消失。此时可以做时间维度的多保真切换启动段走高保真入稳后切到低保真再在状态突变点用触发机制切回高保真。这一招在电机温升和管网水锤仿真中都有人用实际可以省掉至少三分之一的算力。对于刚刚接触多保真的朋友我的建议是找一个只有三维参数的小项目练手完整走一遍上面五个步骤。把差值分析、信噪比判断、校正建模、主动采样这四个环节的直觉建立起来再放大规模。多保真不是银弹它的核心素质是用最小的高成本调用换取最大化的全局信息这个分寸感只能在实战里慢慢磨出来。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
