闭环学习新范式：数据同化与嵌入式方法在动力系统中的效率对比

在科学计算领域，计算能力的提升不断拓展着预测的边界，但面对复杂动力系统时，许多现象仍然超出当前模拟能力，或者需要快速评估以支持设计迭代。闭环模型（closure models）正是应对这一挑战的关键工具——它们通过近似简化或不完整动力系统中未解析的效应，来提升模型的准确性和适用性。

近期一项研究深入比较了两种数据驱动的闭环建模方法：嵌入式训练与分阶段训练。研究以合成流行病学 SIQR 模型为测试平台，该模型包含一个非线性、状态依赖的隔离闭环。结果揭示了一个实际的精度-效率权衡：嵌入式训练在平均精度上表现最强，而分阶段方法虽然误差略有增加，但模型评估次数大幅减少，且优化鲁棒性更好。

两种闭环学习路径的对比

数据驱动的闭环模型为解决上述问题提供了灵活的机制。然而，将闭环嵌入计算模型中进行构建和训练（即嵌入式方法）可能导致计算成本高昂，并在训练过程中引发数值不稳定性。为了规避这些挑战，研究者发展了分阶段方法。

分阶段方法分为两步：第一阶段利用数据同化（data assimilation）从观测中推断状态和闭环轨迹；第二阶段则使用同化后的数据离线训练机器学习闭环模型，从而避免在训练期间重复调用模拟器。这两种路径的核心差异在于训练过程中是否与模拟器紧密耦合，这直接影响了计算成本和优化稳定性。

数据同化（Data Assimilation） 是地球科学、气象预报等领域发展起来的一套状态估计方法，其核心思想是将物理模型的动力学约束与稀疏、含噪的观测数据相融合，从而推断出系统在时间上的完整轨迹。经典算法包括集合卡尔曼滤波（EnKF）、变分方法（3D/4D-Var）以及粒子滤波等。在分阶段闭环建模中，数据同化承担的是"逆向推断"角色：给定可观测变量（如确诊人数）和已知的动力系统结构，估计出未观测的状态变量与闭环项随时间的演化。这一步的关键优势在于无需对闭环模型本身做端到端求导，从而绕开了通过模拟器反向传播所带来的内存与数值稳定性问题。同化得到的轨迹随后作为监督信号，用于离线训练机器学习闭环模型，使第二阶段成为标准的回归任务。

SIQR 模型中的实证发现

研究团队使用合成流行病学 SIQR 模型进行实验，该模型包含一个非线性、状态依赖的隔离闭环。这种设置能够模拟真实世界中闭环项与系统状态复杂交互的场景。

实验结果显示，嵌入式训练提供了最强的平均精度。这符合直觉：由于闭环在训练过程中直接参与系统演化，模型能够更精确地捕捉闭环对系统动态的影响。然而，这种精度优势并非没有代价——嵌入式方法需要频繁调用模拟器，计算成本较高，且可能出现数值不稳定性。

相比之下，分阶段方法在定性行为上与嵌入式方法相当，误差仅中度增加，但模型评估次数显著减少，同时优化过程更加鲁棒。这意味着在资源受限或需要快速迭代的场景中，分阶段方法可能更具实用价值。

SIQR 模型是经典仓室流行病学模型 SIR 的扩展，将人群划分为易感者（Susceptible）、感染者（Infectious）、隔离者（Quarantined）和康复者（Recovered）四类。相较于 SIR，SIQR 显式刻画了隔离干预这一公共卫生措施，因而更贴近真实疫情管理场景。本研究中"状态依赖的隔离闭环"指的是一种非线性反馈机制：隔离率并非固定常数，而是随感染比例或医疗资源占用等状态变量动态变化，例如感染人数上升时隔离力度加强。这类闭环项通常缺乏解析形式，只能通过数据驱动方式近似。正因如此，SIQR 成为一个理想的测试平台——它既保留了流行病模型的简洁结构，又引入了足够复杂的非线性闭环交互，能够有效区分不同训练策略在精度与稳定性上的差异。

效率与精度的权衡启示

这项研究通过对比两种闭环学习策略，揭示了实际应用中的关键权衡。嵌入式方法适合精度优先且计算资源充足的场景；而分阶段方法则更适合需要快速设计迭代、计算预算有限或对优化稳定性要求较高的任务。

有意思的是，分阶段方法通过数据同化将闭环学习与模拟器解耦，这一思路不仅降低了计算负担，还避免了训练过程中潜在的数值不稳定性。对于从事复杂系统建模的研究者和工程师而言，这一发现提供了方法选择的依据：在追求精度与效率的平衡时，分阶段数据同化方法是一个值得考虑的替代方案。

研究的价值在于它没有片面推崇某一种方法，而是通过可控实验量化了两种路径的利弊。这种务实的比较有助于推动闭环建模在实际问题中的合理应用。