玻尔百科对复杂系统（从全球气候到单个蛋白质的折叠）错综复杂的行为进行建模，面临着一个根本性的挑战：现实是无限精细的，而我们的计算资源却是有限的。这种差异迫使我们创建在粗糙网格上运行的简化模型，这些模型能够解析大尺度现象，却对在更小的“次网格”尺度上发生的关键过程一无所知。这个问题被称为“闭合问题”，即这些未解析的尺度对我们所能看到的大尺度世界有着深远的统计影响。本文旨在探讨科学家如何通过参数化这门艺术与科学来弥合这一关键差距。在接下来的章节中，我们首先将探讨参数化的核心“原理与机制”，定义它是什么、为什么必要，以及构建这些“模型中的模型”所使用的不同策略。随后，在“应用与跨学科联系”一章中，我们将穿越各个科学领域，见证这一统一概念如何从药物设计到材料科学等领域推动预测与发现。
想象一下试图理解一个国家的经济。原则上，你可以追踪每一笔购买、每一笔薪水支付、每一笔贷款——每一笔微小的金融交易。但这无疑是一项不可能完成的任务，数据量之庞大令人望而却步。因此，经济学家转而使用大尺度指标：国内生产总值（GDP）、通货膨胀率、失业率。然而，巨大的挑战在于，这些大尺度行为是所有那些无数小尺度交易集体、统计性舞动的结果。一个小镇上一个工人的失业，乘以成千上万次后，如何转化为全国失业率的变化？你如何能在不追踪每一分钱的情况下，建立一个大尺度经济的预测模型？
这本质上就是为复杂系统（从经济到生态系统，当然也包括地球气候）建模时所面临的核心问题。这是一个无法回避的尺度问题。
地球大气是一种处于持续湍流运动中的流体。它是一个从横跨大陆的天气系统到从咖啡杯中袅袅升起的蒸汽旋涡的无缝级联。为了建立一个能够预测天气或气候的模型，我们必须写下支配这种流体的物理定律——主要是能量、质量和动量守恒定律。
当我们在计算机上求解这些方程时，麻烦便开始了。计算机无法处理连续流体的无限细节。它必须将世界分割成有限的网格，就像屏幕上的像素一样。假设我们的网格单元宽度为50公里。那么我们的模型可以完美地描述50公里及更大尺度上的气流——这些是解析尺度。但是，每个网格单元内部发生的所有物理过程呢？那些雷暴、湍流阵风、小于50公里的单个云团呢？这些就是未解析或次网格尺度。
你可能会想干脆忽略它们。毕竟，它们很小，不是吗？这正是大自然施展其美妙而微妙戏法的地方。流体动力学定律是高度非线性的，这是物理学家用来形容事物以复杂、不可分割的方式相互作用的说法。大涡分解成小涡，而小涡又能组织起来并将能量反馈给大涡。不同尺度之间在不断地对话。
当我们为了适应粗糙的计算机网格而对运动方程进行平均时，这种跨尺度的对话并不会消失。相反，它会以一系列恼人的剩余项的形式出现。例如，在描述温度变化的方程中，会出现一个新项，形式类似于 。该项代表的并非我们能在网格上看到的平均风所引起的热量输送，而是由小的、未解析的风速脉动（）与小的、未解析的温度脉动（）之间的相关性所产生的净热量输送。这是一种真实的物理效应——湍流就是这样混合热量的！但根据定义，我们的模型并不知道 或 。我们描述大尺度的方程是“不闭合的”——它们的解依赖于来自小尺度的未知变量。
这就是著名的闭合问题。为了使我们的模型具有预测性，我们必须找到一种方法来表示所有未解析物理过程的统计效应。这种近似的行为，即创建一个基于物理和统计信息的映射，从我们已知的解析世界通向我们未知的未解析世界，被称为参数化。参数化是模型中的模型，是连接解析世界和未解析世界的桥梁。
至关重要的是要理解参数化是什么，而不是什么。它不仅仅是为了让模型看起来更好而使用的“凑数因子”。它是代表真实物理过程的必要组成部分。一个没有对云和湍流等次网格过程进行参数化的模型，不仅是不准确的，它在物理上也是不完整的。
我们可以在一个完全不同的领域找到一个有力的类比：计算化学。想象一下，要模拟一个化学反应——比如说，一种催化剂在含有数十万个原子的材料表面分解污染物。要真正理解反应核心的键断裂和电荷转移，需要量子力学（QM）的全部威力，它描述了每个电子的行为。然而，QM计算的成本随原子数量呈爆炸式增长，通常与系统尺寸的立方（）甚至更高次幂成正比。对整块材料进行完整的QM模拟是根本不可能的。
替代方案是使用一种简化的经典模型，称为分子力学（MM），其中原子被视为由弹簧连接的小球。MM的计算成本低廉，但因为它不包含电子，所以它对化学反应性的量子之舞完全无知。
优雅的解决方案是采用混合QM/MM方法：在反应位点周围的一个小的、关键区域使用精确但昂贵的QM方法处理，而广阔的、主要提供结构和电场支持的周围大块材料，则用廉价但“足够好”的MM方法处理。
这正是气候模型中参数化所遵循的哲学。我们无法承担对整个地球进行“完全QM”模拟的代价，这种模拟需要解析每一个分子甚至每一个雨滴。取而代之的是，我们使用强大的动力学方程来解析大尺度天气系统的“QM区域”，并使用参数化来表示次网格云、湍流和辐射的“MM环境”的统计效应。
这也有助于我们澄清参数化不是什么。它与数值离散误差不同，后者是我们因将平滑的微积分转换为网格上的离散算术而产生的数学误差。它也不同于模型结构误差，后者源于我们的基本方程错误或遗漏了某个完整的物理过程。参数化不是对有缺陷模型的修正；它是从根本上进行粗粒化处理的模型的必要组成部分。
那么，如果参数化是连接不同尺度的重要桥梁，我们该如何构建它们呢？主要有两种构建哲学：自上而下和自下而上。
自上而下的方法是经验性的。它主张：“让我们观察真实世界。”我们拥有关于地球系统的大量实验和观测数据——卫星测量的云量和辐射，气象气球探测的温度廓线，甚至实验室测量的热力学性质。在自上而下的策略中，我们调整参数化方案中的可调旋钮和参数，直到我们的粗糙模型的输出与这些大尺度的真实世界观测结果最匹配。这类似于调校汽车引擎，不是通过分析每个部件，而是在测试赛道上驾驶并进行微调，直到达到期望的最高速度和燃油效率。
自下而上的方法更具理论性。它主张：“让我们在计算机中构建一个完美的微缩世界。”虽然我们无法以完全保真的方式模拟整个地球，但我们可以用惊人的精度模拟一个微小的盒子——也许是几立方公里的空气。这种技术被称为直接数值模拟（DNS）[@problem_D:3894598]。DNS求解流体运动的基本方程，完全不使用参数化，解析每一个湍涡，直至其在毫米尺度上耗散为热量。DNS是我们的“数值实验室”，一个完美的基准真相。
DNS的计算成本极其高昂，以至于它位于建模方法层次结构的顶端：
在自下而上的方法中，我们使用来自DNS或LES模拟的数据作为我们的老师。我们可以对DNS盒子里的完美数据进行粗粒化，直接计算出小尺度对大尺度的真实统计效应。然后，我们设计我们的参数化来模仿这种行为，通过向粗糙的GCM展示来自高分辨率模拟的真相，有效地教会它如何表现。
在很长一段时间里，参数化方案被构建成确定性的：对于给定的一个大尺度状态，它们总是产生完全相同的次网格倾向。这捕捉了小尺度的平均效应，但却忽略了故事中一个至关重要的部分。未解析的世界并非一个平滑、平均的地方；它是混沌和湍流的。它不仅对解析的世界施加稳定的压力；它还给予其随机的踢动和推挤。
这一洞见催生了随机参数化的发展。一个随机方案将次网格效应表示为两部分：确定性的平均倾向，外加一个代表围绕该平均值的不可预测波动的随机分量。它认识到，对于同一个大尺度状态，可能存在许多不同的小尺度涡旋构型，每种构型都会产生略微不同的反馈。
于是，解析变量 的控制方程从一个简单的常微分方程转变为一个随机微分方程（SDE）：
在这里， 项代表在每个时间步来自维纳过程的随机“踢动”。这是著名的布朗运动——花粉粒被看不见的水分子撞击而产生的抖动舞蹈——的数学体现。调试这些方案更具挑战性；你不仅要使平均效应正确，还要保证噪声的统计特性——它的振幅、它的颜色、它的记忆——都正确。其回报是一个具有更真实变率、能更忠实地生成极端事件、且更不易陷入系统性偏差状态的模型。这不仅关乎捕捉次网格世界的气候，也关乎捕捉它的天气。
参数化的最后前沿将我们带向一个引人入胜且充满挑战的问题。当我们的模型网格尺度既不远大于也不远小于我们试图表示的物理过程时，会发生什么？当我们的网格单元宽2公里，而一个典型的雷暴也大约宽2公里时，会发生什么？
这就是可怕的“灰色地带”分辨率，是大气建模的未知之地（terra incognita）。此时，模型正在部分解析雷暴。它“看到”了风暴的粗略轮廓，但看不到其详细结构。一个为粗网格（风暴微小且数量众多）设计的传统参数化方案会假设风暴完全是次网格的，并试图生成其全部效应。但模型自身的动力学过程也同时在试图制造一场风暴。两者相互冲突，“双重计算”了物理过程，导致了荒谬的结果。关闭参数化也不是更好的选择；在这种分辨率下，模型通常不足以自行生成真实的雷暴。
解决这个深层问题的方法是使参数化方案尺度感知。一个尺度感知的方案是知道它所处模型分辨率的方案。它被设计成随着模型网格间距 变小、过程变得更加解析而智能地减少或削弱其影响。对于像对流和湍流这样的过程，其倾向 必须被设计成当 趋近于零时，它也趋近于零。
这确保了从完全参数化到完全解析状态的无缝、统一过渡。其中最复杂的方案通过主动监测解析流来工作。例如，一个尺度感知的对流方案可能会观察模型自身动力学产生的垂直速度。如果它看到模型已经在产生强的、解析的上升气流，它就会认识到自己的工作已经由模型完成了，并优雅地后退。它成为解析动力学的真正伙伴，只填补缺失的部分，并知道何时保持沉默。对尺度感知的追求不仅仅是一个技术修复；它是朝着真正统一和普适的多尺度建模理论迈出的深刻概念性一步。
在我们遍历了参数化的基本原理之后，你可能会觉得这一切都有些抽象——只是一系列巧妙的数学和计算技巧的集合。但事实远非如此。参数化的艺术正是现代计算科学的核心。它是我们为连接我们希望理解的那个惊人复杂、纷乱而美丽的现实世界与计算机的有限、逻辑世界而建造的桥梁。它不是一种妥协；它是一种创造性的、聚焦简化的行为，就像一位大师艺术家用几笔大胆的笔触捕捉风景的精髓。
现在，让我们开启一场跨越科学与工程广阔领域的旅程，看看这门艺术在实践中的应用。我们将看到同样的基本思想如何让我们能够探索原子的舞蹈、预测天气、设计拯救生命的药物，甚至发明未来的材料。我希望，你将发现，来自截然不同领域的科学家们在应对模拟不可见之物和预测不可预知之事的挑战时，其方法中存在着一种美妙的统一性。
科学研究的许多现象，要么太小，要么太大，要么太快，要么太慢，以至于我们无法直接观察。我们无法观看单个蛋白质的折叠过程，也无法追踪一场正在形成的暴风雨中每一缕水汽。我们必须建立模型，而这需要对我们无法解析的部分进行参数化。
让我们从最小的尺度开始。想象一下试图模拟一滴水。你有数十亿计的分子，每个分子都是由三个原子组成的微小组合，它们之间相互拉扯、推挤。它们施加的力源于其电子之间复杂的量子力学相互作用。从第一性原理出发进行模拟将是一项不可能完成的任务。因此，我们进行简化。我们用一组简单的力来取代模糊的电子云——这便是一种参数化。
但这些力应该采用何种数学形式呢？这是一个关键的选择。对于普遍存在的范德华力——中性原子间温和的吸引力和尖锐的排斥力——几十年来一个流行的选择是 Lennard-Jones 势。它的排斥项与 成正比，吸引项与 成正比。为什么是 ？有什么深层的物理定律吗？并非如此。选择它主要是为了计算上的便利，因为 恰好是 ，这对于早期的计算机来说很容易计算。
一个更具物理动机的选择是 Buckingham 势，它用一个指数项 来模拟排斥力。这更好地反映了量子力学的现实，即导致排斥的电子密度随着距离呈指数衰减式重叠。虽然 Buckingham 势在物理上可能更“诚实”，但它也有自己的弊端：计算量更大，且需要调整的参数更多（、 和吸引强度 ，而 Lennard-Jones 只有两个）。这种在计算速度、物理真实性和参数灵活性之间的权衡，是模型构建中一个永恒的主题。
这门艺术的精妙之处在我们如何模拟水分子本身上得到了完美的体现。简单的三位点模型将电荷置于氧原子和两个氢原子上，但通常难以同时再现水的所有神奇性质——它的密度、结构以及屏蔽电荷的能力。著名的 TIP4P 系列水模型中使用了一个绝妙的技巧：引入一个“虚拟”位点——一个在氧原子附近、携带负电荷但没有质量的幽灵点。为什么要这样做？通过将负电荷中心从原子质量和排斥核心的中心（该中心仍在氧原子上）移开，建模者获得了一个额外的旋钮来调整分子的电场。具体来说，这使他们能够更好地再现水的四极矩，这是衡量电场形状的一个指标，对于正确模拟液态水中四面体氢键网络至关重要。这证明了该领域的创造力：当现实比你的模型所允许的更复杂时，你会添加一个精心选择的虚构部分，以使整个故事更加真实。
现在让我们把视线拉远——非常远——到我们星球的尺度。想要预测我们海洋和大气未来的气候科学家们面临着类似的问题。他们的计算机模型将地球划分为网格，但每个网格框可能有数公里宽。在每个框内，无数关键过程在更小的尺度上发生：湍流的海洋涡旋、旋转的对流云，以及地表热量和水分的转移。这些是气候引擎的隐藏齿轮，它们太小而无法被解析。它们必须被参数化。
思考一下海洋中那些巨大的、旋转的中尺度涡，它们就像是海洋中的天气系统。它们对于将热量从赤道输送到两极至关重要。在一个粗分辨率的气候模型中，这些涡旋是不存在的；模型只能看到缓慢、大尺度的洋流。为了解释它们的影响，建模者使用了像 Gent-McWilliams (GM) 和 Redi 方案这样复杂的参数化方法。有趣的是，这些方案认识到涡旋做两件不同的事情：它们沿着等密度面搅动热量和盐度等示踪物（一种平流的、非耗散的效应），并且混合它们（一种扩散的、耗散的效应）。GM 参数化巧妙地通过一个能使密度面变平的“bolus 速度”来捕捉搅动效应，而 Redi 方案则处理沿着这些相同表面的混合。在数学上，一个甚至可以用斜对称张量表示，另一个用对称张量表示，这是输运和扩散之间一个优美的区别。
类似的故事也在大气中上演。你是否曾注意到，在夏日，雷暴倾向于在午后晚些时候出现，而不是在太阳最强的正午？天气预报模型需要正确把握这个时机。在一个粗糙模型（例如，网格为12公里）中，单个风暴的上升气流无法被解析。必须使用深对流参数化来表示它们的集体效应。这些参数化方案通常在一天中过早地触发“模型降雨”，只要网格框平均变得不稳定就会发生。相比之下，一个现代的对流解析模型（网格约2公里）可以开始显式地解析强的上升气流。在这些模型中，只有当一个解析的暖湿气团足够强大，足以冲破其上方的稳定气层，即“对流抑制”（CIN），云才能形成。这需要时间；边界层需要在整个下午变得深厚而充满能量。因此，这些高分辨率模型正确地将降水的开始时间推迟到午后晚些时候，从而更真实地捕捉了日循环。这是一个完美的例子，说明了当我们能承受计算成本时，减少对参数化的依赖如何带来更忠实的模拟。
我们已经看到参数化是必要的，但是科学家们究竟是如何构建这些简化模型的呢？这并非随心所欲；有一套丰富的策略工具箱，每种策略都有其自身的哲学、优点和缺点。
想象你是一位地球物理学家，试图创建一张地球表面下的电导率地图以寻找矿藏。你无法知道每一点的电导率；你必须对未知的结构进行参数化。你的策略是什么？
一种方法是基于单元的参数化：你将地下划分为一个精细的体素网格，并为每个体素分配一个未知的电导率值。这种方法灵活性最大——你可以表示你的网格足够精细所能捕捉到的几乎任何结构。但它会给你留下惊人数量的未知参数，这可能使反演问题不稳定且计算量巨大。
另一个极端是块状参数化。你可能从一开始就假设地球是由几个简单的、均匀的地质层或块体组成的。在这里，你的参数不是电导率值本身，而是这些块体的形状、大小和位置。这极大地减少了未知数的数量，并对你的解施加了强烈的、物理上合理的结构。当然，其危险在于模型偏差：如果真实的地质结构不是简单和块状的，你的模型将永远无法正确拟合数据。
第三种方法，即基函数展开，是将电导率场描述为简单数学函数（如正弦和余弦，即傅里叶基）或小波的和。你不需要找到各处的电导率，只需找到每种基函数的正确“数量”加入混合即可。小波在空间和频率上都是局域化的，对于用相对较少的参数来表示同时具有平滑区域和尖锐界面的模型特别有效。这三种策略——灵活的网格、受约束的块体和数学展开——代表了对你试图建模的现实本质的不同哲学赌注。
参数化中的一个常见陷阱是创建一个在某种特定情况下表现出色，但在另一种情况下却惨败的模型。这就是“可表示性问题”。想象你正在构建一个蛋白质的粗粒化模型，其中每个氨基酸是一个珠子，而不是几十个原子。如果你仅通过观察蛋白质快乐折叠状态下的模拟数据来开发参数，你实际上是在构建一个折叠态的模型。如果你随后尝试用这个模型来模拟蛋白质的去折叠过程，它很可能会惨败，因为它过度稳定了天然结构，因为它从未被“教导”过未折叠状态应该如何表现。
现代的解决方案是多态参数化。你不再只在一个状态上进行训练，而是强迫模型在表示你关心的所有状态——折叠态、未折叠态，甚至可能是两者之间的过渡态——时都表现良好。你构建一个目标函数，该函数会惩罚模型与来自所有这些状态的参考数据不一致的情况。这迫使优化过程去寻找一个单一的、“可移植的”参数集，该参数集能在整个过程中提供一个平衡且物理上正确的描述。这是从建模状态到建模过程的深刻转变，对于捕捉生物学的动态本质至关重要。
有时，即使是单个不正确的参数也可能通过扭曲物理过程而使整个模拟陷入混乱。再次考虑蛋白质的模拟。用于表示水的隐式溶剂模型的一个关键组成部分是介电常数 ，它描述了溶剂在多大程度上屏蔽了静电相互作用。体水的介电常数约为80。如果一个设计不佳的力场实际上使用了一个值为20呢？
根据库仑定律，静电相互作用的能量与 成反比。通过使用一个比实际小四倍的值，模拟会“看到”所有静电相互作用比现实中强四倍。这将产生一个剧烈而特定的效应：那些有助于维持蛋白质结构的盐桥——即带有完整、形式电荷的氨基酸残基之间的吸引力——将被极度夸大。相比之下，像范德华力这样的其他力则不受影响。由于这一个选择不当的参数，带有此缺陷的模拟将产生一个完全不真实的、关于稳定蛋白质的力的图像。
这些思想的影响远远超出了基础物理和化学。它们正在推动着与我们日常生活息息相关的应用领域的创新。
当你用吸入器吸入药物时，它会去哪里？有多少会沉积在可以被吸收到血液中的肺部深处，又有多少会被困在上呼吸道并被清除掉？为了回答这些问题，药理学家构建了生理药代动力学（PBPK）模型。这些是人体肺部的复杂计算机模型，其中的隔室代表了不同的气道分支。
构建这样一个模型是参数化方面的大师级课程。气溶胶沉积的复杂物理过程被参数化为每一代气道的一组沉积分数。为了避免凭空捏造几十个数字——这将是一个无可救药的过度参数化案例——建模者使用成熟的气溶胶剂量学模型（如MPPD或ICRP）作为起点，为沉积模式提供了强有力的、基于物理的先验知识。肺部自我清洁机制，即黏液纤毛清除的机械作用，被参数化为一系列一阶输运过程，将沉积的物质向上输送并移出传导气道。这种参数化立即揭示了一个关键的竞争关系：沉积在上呼吸道的药物必须在被清除和吞咽之前迅速被吸收。该模型使科学家能够探索药物特性和患者呼吸模式将如何影响吸收与清除之间的这场竞赛，从而指导更有效的吸入式疗法的设计[@problem-id:5045727]。
也许最令人兴奋的前沿是利用计算和人工智能来设计新材料。想象一下，你正在尝试为一种新型电池发明更好的电解质。电解质是几种化学成分的混合物。你想使用机器学习模型在广阔的可能混合物空间中搜索，以找到性能最佳的那一种。
但你面临一个基本约束：混合物中所有组分的比例必须为正，且总和为1。你如何教一个喜欢处理无约束实数的标准优化算法来遵守这个规则？答案是一种巧妙的重参数化。你不是让优化器直接处理比例 ，而是让它处理一组无约束的数字 。然后，你使用一个平滑、可微的函数将这些 映射为一组有效的比例 。
一个流行的选择是 softmax 函数：。无论你为 选择什么实数，得到的 将永远是正数且总和为一。另一个优雅的方法是 stick-breaking 构造，即你想象一根长度为1的棍子，并依次折断剩余部分的几分之一。这两种方法都提供了一种数学上合理的方式，将一个有约束的优化问题转化为一个无约束的问题，为强大的基于梯度的算法在材料成分的景观中导航和加速新技术发现打开了大门。
从水分子中电子的量子之舞，到地球海洋的宏大环流；从单个蛋白质的折叠，到电池的自动化设计，我们看到了同样的故事在展开。现实世界过于丰富，我们无法完整地捕捉其全部。我们必须选择要精心渲染的部分，以及用参数化近似来勾勒的部分。这个参数化的过程不是失败的标志，而是智慧的体现。它是贯穿所有计算科学的一条统一线索，是我们为无限复杂的世界构建出精美简洁、预测力强大的模型之能力的证明。