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。
