還有天氣檢測。
大氣環流模型輒上百萬個變數，非線耦合到令人髮指。
現在的超級計算機算三天後的颱風路徑，還有幾十公里的誤差。
如果能快速找到系統演化的最優近路徑，準度能提到什麼程度，沒人敢想。
此外，還有那些更基礎的領域，比如材料設計、金融風控、自駕駛、量子化學方程求解......
肖宿的目落在草稿紙上的那個圈上。
這個問題的解法，就是一把鑰匙。
能開啟的門太多了。
問題是，這把鑰匙長什麼樣？
他這幾天已經梳理了目前學界在這個方向上的主要進展。
這個領域很熱鬧，國國外都有團隊在啃。
最主流的思路是“代理模型”加“主取樣”。
就是用高斯過程或者神經網路擬合目標函式，構造一個容易計算的代理模型，然後在代理模型上找可能的最優點，再去原函式上驗證。
貝葉斯最佳化就是這條路子的代表。
但問題是，高斯過程的計算複雜度隨資料量立方級增長，到了幾十維以上就捉襟見肘。
神經網路的表達能力更強，但神經網路本也是非線的，用非線去擬合非線，等於用一個複雜問題去近另一個複雜問題。
另一種思路是“元啟發式演算法”。
也就是傳演算法、粒子群演算法、差分進化，這些演算法的共同點是模仿自然現象，讓一群候選解在空間裡“進化”或者“飛行”，靠隨機和競爭機制慢慢近最優。
這方法確實有用，而且很靈活，什麼黑箱都能往裡扔。
但是它太慢了，而且沒有理論保證。
你永遠不知道它找到的是不是真的最優，也不知道還要跑多久才能收斂。
還有一條路是用深度學習直接端到端求解。
把最佳化問題引數化，訓練一個神經網路，輸問題描述，輸出最優解。
這想法很人，但訓練資料從哪兒來？要生足夠多的“問題—最優解”對，本就得先解無數個最佳化問題。
這就陷了死迴圈。
