5.2 机器学习改写流水线

5.2 机器学习如何改写模拟流水线

本节摘要：机器学习进入计算天体物理，不是因为方程突然失效，而是因为第 4 章的票价和第 5.1 节的条款空间让“再跑一遍”成为奢侈。合法岗位包括：用仿真器模仿昂贵前向模型以扫描参数；用分类与分割加速晕、形态、瞬变识别；用降阶模型给初值或闭合；偶尔用网络去逼一个热核。非法岗位是：用拟合图代替守恒与收敛，或把训练集的宇宙学锁死却声称发现了新宇宙。

读前必看（上）

阅读完本节，你应当能够：

1. 说出仿真器在 CAMELS 一类项目里实际替代的是哪一步
2. 区分仿真器、找器、加速核、物理知情模型四种岗位
3. 解释训练集的宇宙学与配方如何变成仿真器的暗宪法
4. 说明守恒与外推：网格可以在训练盒外的参数上体面地失败
5. 拒绝把神经网络的一次拟合成功写成数值模拟被取代

再跑一遍太贵，模仿才进场

流体宇宙加条款扫描，维度包括宇宙学参数与反馈参数。每一组要跑完哈勃时间，队列不允许网格状穷举。半解析曾经承担过这个角色。场层次的仿真器走得更远：学习从初值或低成本输入到统计量甚至三维场的映射。CAMELS 一类项目明确把许多小盒子当成训练与测试，用来看条款如何改观测。岗位是代理，不是新的引力定律。代理若只在训练分布里准，拿到训练没见过的反馈强度就会自信地胡说。这与高阶多项式外推是同一类病，只是更会画。

找器岗位更老也更稳。晕寻找、强透镜弧、瞬变分类、形态标签，本就是算法产品。卷积网络把人设计的特征换成数据驱动的特征，速度和一致性往往上升。风险是标签本身来自某一种旧找器或某一种观测选择，网络学会的是旧宪法的口音。把网络标签当成更接近自然的“真晕”，是循环论证。

岗位                 替代什么                     不能替代什么
  仿真器             昂贵前向的重复扫描           训练分布外的物理
  找器               人工特征与缓慢目录           标签定义的审计
  加速核             局部热循环的近似             全局守恒的自动成立
  物理知情网络       在损失里加方程残差           数据覆盖不足时的唯一性
​

💡 关键直觉：机器学习是流水线上的工位名。工位写清楚，它是工具；工位写成“智能宇宙”，它是修辞。

四种岗位的纪律

仿真器纪律：训练/验证/测试按盒子或按参数划分，避免把同一随机初值漏进三份。报告时同时给插值误差与轻微外推误差。最好能对功率谱一类可与线性理论对照的量先过关，再谈形态。找器纪律：标签来源公开，与旧找器的混淆矩阵要有。加速核纪律：热核的近似必须有守恒诊断，不能只报均方误差。物理知情纪律：把方程残差放进损失，能改善内插，不保证外推；约束不足时，网络可以学会一种看起来像方程的假解。

生成模型还能做“从观测到场”的反演或补全。这把噪声与先验搅在一起。能用的场合是：先验来自同一套前向模拟，噪声模型诚实，结果当条件样本而不是当照片。不能用的场合是：把生成的细丝当成未观测到的真实结构去发表发现。

图：机器学习在流水线中的位置

它夹在昂贵前向与观测推断之间。跳过前向直接从数据生成宇宙，先验会冒充发现。

与传统求解器的关系：替换、旁路，还是新的接口误差

有人希望网络直接进化流体，绕过黎曼求解器。在低维测试题上可以漂亮。到宇宙学联邦，约束、个别时间步、域分解、条款源项缠在一起，端到端替换仍然昂贵且难审计。更现实的插入点是接口：化学网、不透明度、闭合因子、亚网格湍流。这些本来就是降阶。网络把降阶做得更灵活，也把接口误差变得更不透明。第 2.5 节的教训再次适用——箭头方向要画出来。

训练集的产生本身消耗第 4 章的市场。小盒子不能代表大盒子的方差，高红移不能代表今天的选择效应。仿真器论文必须报告训练体积与目标体积的差。不报这个差，等于用模具压出来的齿轮去冒充另一座钟。

⚠️ 常见坑：在训练参数范围内把仿真器误差画得很小，然后用它去排除训练从未见过的反馈模型。那是用口音去审判一种没听过的语言。

概念账本：

先写清工位：仿真器 / 找器 / 加速核
划定训练分布：宇宙学、条款、盒子、红移
保留前向抽检：分布边缘必须退回全模拟
损失里若加方程：仍要外推测试
发布：钉死训练种子与网络版本，如同钉死演化码
​

机器学习把扫描变便宜。下一节把便宜的扫描与昂贵的前向一起拖到观测法庭：分辨率、精度、合成观测与盲测如何构成闭环。

推断、仿真器误差棒，以及人还在哪

把仿真器接进贝叶斯推断或模拟推断，后验宽度必须包含仿真器误差。只含宇宙方差和仪器噪声，会得到过窄的宇宙学参数。误差模型本身需要在测试盒上校准，并允许相关：功率谱相邻 k 的误差通常相关。把仿真器当成无噪声理论，是用新工具重复旧的过度自信。

人还在流水线里。标签、条款选择、训练盒设计、何时退回前向，都是人的判断。自动化找器减少的是重复劳动，不是责任。论文应写明：哪些失败案例会强制人工复核，哪些参数区域禁止仿真器发言。禁止区与第 5.3 节的盲测名单一样，属于方法而不是附录。

还有一种诱惑：用可解释性工具给网络画特征图，并写成新物理。特征图可以启发，不能代替受控实验。启发之后，仍要回到格子上关掉或打开某一项条款，看统计量是否按特征图暗示的方式移动。否则计算天体物理会从第三范式退回读图术。

数据泄漏、盒子宇宙学与仿真器的诚实失败模式

同一并合树的不同红移切片被同时送进训练与测试，泄漏会发生。按盒子划分比按快照划分更安全。小盒子缺大尺度模态，仿真器学会的功率谱在低 k 会偏。目标若是巡天尺度，训练体积必须被讨论，否则是用模具压齿轮去配另一座钟的齿数。

诚实失败模式应当被展示：参数走到训练盒角落时，功率谱误差如何涨；条款组合从未见过时，形态如何崩。崩塌比光滑的错误更有价值，因为它告诉推断管道该停。把失败区涂成与成功区一样的置信度，是当代最危险的可视化之一。第 5.3 节的盲测，有一部分就是在抓这种涂法。

问题：仿真器误差很小，能否用来排除训练未见过的反馈模型？

不能。那是用口音审判没听过的语言。训练分布是暗宪法，外推可以体面地失败。后验宽度必须包含仿真器误差，且允许 k 之间相关。按盒子划分训练与测试，避免同一并合树泄漏。失败区应被展示，不应涂成与成功区一样的置信度。端到端替换流体仍难审计；更现实的是接口插入。工位写不清，机器学习就只是修辞。拟合图不能代替收敛测试。

人仍在流水线里：标签、训练盒、禁止区都是判断。自动化减少重复劳动，不减少责任。可解释性特征图可以启发，随后仍要在格子上开关条款做受控实验，否则第三范式会退回读图术。训练体积与目标体积的差必须报告。小盒子缺大模态，仿真器在低 k 会偏。把失败区涂成高置信，是最危险的当代可视化之一。

生成模型做场补全时，噪声与先验搅在一起。结果应视为条件样本而不是照片。禁止区与盲测名单一样属于方法：哪些参数区域不许仿真器发言，必须写明。否则自动化只是把越界说得更流畅。

接口插入比端到端替换更现实：化学、不透明度、闭合因子本就是降阶，网络把降阶做灵活，也把接口误差做不透明，箭头仍要画出来。

工位写清则是工具，写成智能宇宙则是修辞。

训练集的宇宙学与配方会变成仿真器的暗宪法。

岗位是代理不是新引力定律，离开训练分布必须退回前向或承认失败。

泄漏按盒子划分来防，比按快照划分更安全。

损失里加方程残差能改善内插，不保证外推时的唯一性。

按盒子划分训练与测试，避免把同一随机初值漏进三份数据。

仿真器是条款空间上的路，不是新的引力定律。训练分布写进暗宪法：宇宙学参数、反馈强度、盒子边长，外推时必须能体面地失败并退回前向。找器网络会遗传标签口音，加速核必须对照同一组激波管，物理知情损失能改善内插、不保证外推唯一。工位写清是工具，写成智能宇宙是修辞。

一节小结

• 进场原因是票价与条款空间：不是方程破产
• 工位必须写清：仿真器、找器、加速核、物理知情
• 训练分布是暗宪法：外推可以体面地失败
• 标签口音会遗传：找器不是更接近自然的真值
• 端到端替换流体仍难审计：接口插入更现实
• 拟合成功不等于取代收敛测试

下一节关闭全书：分辨率与精度如何被诚实声明，模拟产品如何经合成观测进入与数据的对质。