的非线性影响。
参数问题可以定义为寻找模态空间中，模态密度最大的区域，这代表着最佳实验条件。
将材料的自修复行为映射为模态路径上的周期性分布，找到修复效率较低的热点区域……
理论上似乎可行？
有了这个想法，乔喻也顾不上去研究陈师兄发来的论文了。而是直接又点开了软件，开始进行实验室数学模型设计。
目前实验室最重要的三个参数状态，反应时间，分子相互作用量，材料响应强度，分别用α、β跟γ指代。
那么映射公式就是r=(α，β，γ)。
在其中增加一个权重因子，通过对实验室结果分析之后再给出具体值。
那么直接套用模态距离的定义：d_M(r_1，r_2）就可以直接表示为：
接下来就是评估非线性效应的累积贡献，这一块需要用模态卷积来操作，同样是先套公式，直接可得：
通过这个公式分析空间中的高密度区域，这样最终可得优化目标的目标函数为：
显然，优化公式中函数X就代表待优化的实验室参数。
当然这只是一个笼统的公式。
花费了几个小时时间，把公式推了一遍之后，乔喻又仔细思考了一遍他的想法。
感觉在数学上没什么问题，但能不能指导刘师兄的课题他其实现在还不太确定。
毕竟这是一个构想，不过好在他手上还有些许多从实验室打包的数据。
唯一的问题是，这涉及很多复杂的计算。说起来不管是他还是陆教授都认为目前刘浩课题组的数据量不够。
但这里说的“不够”其实是在数学家看来，能体现出一定规律的数据量不够，而不是数据总量不够。实际上半年时间攒下的数据总量还是很多的。
现在乔喻处理问题的办法，用行话解释就是在高维模态空间中，寻找最具代表性的低维投影，减少对全数据的依赖。并试图从这些不成体系的数据中，寻找到潜在的规律。
通过最小化d-m的值，来找到规律性最强的路径，并根据模态热点，指导后续实验设计，并从新的实验室数据中，补充关键参数范围的数据。
这个方法其实有些笨，虽然可以借助超算，但需要有能理解这套方案的人根据已有数据去调整每个权重参数。
难度不大，但需要耗费太多时间。如果换了以前乔喻闷着头就
本章未完，请点击下一页继续阅读！