多保真度优化

Parent: ai_keywords

多保真度优化

核心定义

多保真度优化（Multi-fidelity Optimization）是一种利用不同精度（保真度）的模型或数据源协同完成最优解搜索的计算框架。核心思想是：低保真度模型（计算快、成本低但偏差大）提供全局趋势，高保真度模型（精度高但成本极高）在关键区域进行校准与验证，从而在有限预算下逼近真实最优解。在人工智能与临床医学交叉领域，该方法能有效克服高精度人体实验数据稀缺的问题，加速诊疗方案的个性化优化。

关键技术点

1. 保真度层级构建
   定义从低到高的模型序列，如：简化物理仿真（粗网格）→ 精细有限元模型 → 人体离体实验 → 活体临床试验。层级间应满足相关性假设，即低保真度能捕获主要趋势。
2. 偏差校准与信息融合
   常用高斯过程回归（GPR）或协同克里金法（Co-Kriging），利用少量高保真度样本修正低保真度输出中的系统偏差，形成融合替代模型。贝叶斯框架可同步量化多层级不确定性。
3. 主动学习采样策略
   基于融合模型的不确定性图，自动识别信息量最大的样本点（如预期改进准则），动态指导新一次高保真度实验，最大化每次昂贵评估的收益。
4. 计算-精度权衡
   通过成本加权目标函数，在优化过程中自适应调整高低保真度调用比例，确保总成本约束下最优解质量。

医学/神经科学应用场景：帕金森病脑深部电刺激（DBS）参数优化

以首都医科大学宣武医院神经病学团队的研究为例：DBS治疗帕金森病需针对个体精准选择刺激频率、脉宽和振幅。高保真度数据来自患者术后靶点微电极记录及症状评分（移植电极、静息态功能磁共振，成本极高，单次约2小时）；低保真度模型为基于基底节-丘脑皮层环路的多尺度计算仿真（可秒级输出程序参数-运动改善映射关系）。多保真度优化流程：先用低保真仿真快速生成全参数空间粗筛结果，再对35个候选区域进行高保真度电生理验证。结果使个体化参数寻优时间从传统试错法的35天缩短至1天内，显著减少患者痛苦与医疗资源消耗。该范式已扩展至癫痫发作灶定位（联合低效EEG与高效颅内SEEG）及脑卒中后手部康复的经颅磁刺激靶点设计。