机器学习代理模型：让仿真从“算一次”变成“随时预测”
系列文章 · 计算机建模
为什么需要代理模型#
一次高保真仿真，可能从几分钟到几十小时不等。做参数扫描、优化或实时交互时，直接调用仿真器往往不可行。
代理模型（surrogate model）的思路是：先在一批精心选择的输入点上运行仿真，得到一个数据集；再训练一个回归模型，学习“输入参数 → 仿真输出”的映射。之后用毫秒级预测替代小时级计算。
它本质上是一种受控的插值。理解这一点，就能理解它的边界：训练数据覆盖不到的区域，预测没有可靠依据。
先设计试验，再谈模型#
随机撒点是最差的采样方式之一，容易在空间里留下空洞。常见方案：
| 方法 | 特点 | 适用场景 |
|---|---|---|
| 拉丁超立方（LHS） | 每维分层，覆盖均匀 | 中低维参数空间 |
| 正交试验 | 组合数少，便于分析主效应 | 因子筛选 |
| Sobol 序列 | 低差异、可增量 | 高维、需要逐步加点 |
| 自适应采样 | 在误差大的区域补点 | 样本预算紧张 |
在 Python 里可以用 scipy.stats.qmc 直接生成 LHS 或 Sobol 点：
from scipy.stats import qmc
import numpy as np
bounds = np.array([
[0.5, 3.0], # 壁厚
[20.0, 80.0], # 孔径
[1.0, 5.0], # 流速
])
sampler = qmc.LatinHypercube(d=bounds.shape[0], seed=42)
unit = sampler.random(n=120)
X = qmc.scale(unit, bounds[:, 0], bounds[:, 1])采样数量取决于维度、输出非线性和预算。经验上，先用 10×维度 的量级做第一轮，再看误差决定是否补点。
特征不是越多越好#
仿真输入通常已经是物理量，不需要复杂的特征工程。但以下几类信息值得显式加入：
- 无量纲数：雷诺数、傅里叶数、长径比，比原始尺寸更能表达相似性。
- 几何描述子：体积、表面积、最小壁厚、曲率统计。
- 类别变量：材料牌号、边界类型，做 one-hot 或目标编码。
- 变换后的目标：跨数量级的输出可以取对数再回归。
如果特征之间存在强共线性，树模型通常不敏感，线性模型和核方法则需要处理。
一个最小可用的训练流程#
下面用随机森林做基线。它的好处是训练快、对特征尺度不敏感、能给出特征重要性；缺点是对训练范围外的数据会“自信地胡说”。
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import KFold, cross_val_predict
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
# X: (n_samples, n_features), y: (n_samples,)
model = make_pipeline(
StandardScaler(),
RandomForestRegressor(
n_estimators=400,
max_depth=None,
min_samples_leaf=2,
random_state=42,
n_jobs=-1,
),
)
kf = KFold(n_splits=5, shuffle=True, random_state=42)
pred = cross_val_predict(model, X, y, cv=kf)
rmse = mean_squared_error(y, pred, squared=False)
mae = mean_absolute_error(y, pred)
r2 = r2_score(y, pred)
print(f"RMSE={rmse:.4g} MAE={mae:.4g} R2={r2:.4f}")如果输出跨越多个数量级，建议先对 y 取对数，再在预测后指数还原。否则大值样本会主导损失，小值区域的相对误差会很难看。
评估：别只看 R²#
| 指标 | 回答的问题 | 注意 |
|---|---|---|
| RMSE | 平均误差有多大 | 对大误差敏感 |
| MAE | 典型误差有多大 | 更稳健 |
| R² | 拟合了多大方差 | 样本少时容易虚高 |
| 最大相对误差 | 最坏情况能否接受 | 工程决策更关心 |
| 覆盖率 | 置信区间是否可信 | 需要不确定性估计 |
更重要的拆分方式是按工况分组交叉验证：如果数据来自不同几何族或不同边界条件，随机切分会让相近样本同时出现在训练和验证集，导致过于乐观的结果。按族留出（leave-one-group-out）更接近真实使用。
不确定性与适用域#
代理模型最危险的失败模式，是在训练域外给出平滑但错误的预测。至少做三件事：
- 适用域检查：预测前判断输入是否落在训练样本的凸包或距离阈值内。
- 集成方差：用随机森林或 bootstrap 集成，输出预测均值与标准差。
- 高误差回退：当不确定性超过阈值时，回退到真实仿真，而不是强行预测。
在工程系统里，“不确定时调用慢路径”比“永远快速但偶尔错得离谱”更可靠。
从模型到工具#
一个可交付的代理模型，除了权重文件，还应包含：
- 输入范围与单位说明；
- 训练数据的采样方法和仿真版本；
- 预处理与后处理代码；
- 评估报告与已知失效案例；
- 版本号和重新训练脚本。
否则几个月后，没人能判断这个模型还能不能用。
适合与不适合的场景#
适合：参数扫描、优化内环、实时预览、敏感性分析、数字孪生的快速推演。
不适合：外推预测、极端工况、训练数据不足、物理约束完全未知的问题。
如果能把物理约束（守恒律、单调性、边界条件）加入模型，泛化能力通常会明显提升。纯数据驱动的代理模型，永远只是仿真器的一个近似，而不是替代品。
评论加载中...