【博士论文】基于机器学习的计算优化

计算能力的指数级增长极大地改变了我们模拟和交互世界的能力——无论是在复杂的分子动力学研究中模拟数万亿个原子，还是每日处理数十亿笔金融交易。尽管取得了这样的进步，计算资源仍然存在根本的限制，这对诸如气候建模等应用构成了严峻挑战，因为准确的模拟可能需要比当前可用计算能力高出几个数量级的资源。这一限制驱使研究者开发在计算代价和解的质量之间进行权衡的近似方法。本论文研究了在计算受限环境中，如何利用机器学习算法优化这种成本与质量的权衡。我们的研究通过两种主要方法推动了现有技术的前沿：(1) 开发新颖的基于机器学习的仿真器，在保持解质量的同时提升计算效率；(2) 构建自适应计算推理模型，以优化不同近似保真度下的资源分配。在冰盖建模这一核心案例研究中，我们展示了如何结合高斯过程仿真器与多保真度实验设计，既能产生精确的海平面上升预测，又能将计算成本降低多达70%。通过统一计算近似、资源分配和机器学习的理念，本论文为理解和应对科学建模中的计算约束提供了一个全面的框架。我们的研究成果展示了改善气候科学预测的实际途径，尤其是在冰盖动力学及由此产生的海平面上升预测方面，这对于制定有效的气候变化缓解策略至关重要。