降階模型（reduced-order model）

一場高保真模擬——譬如機翼上方的氣流——可能攜帶數百萬個未知數，跑一次要好幾小時。若你接著需要跑它上千次——掃過各種設計，或即時控制一個系統——那便毫無希望。降階模型是一個小得多、快得多的替身，它抓住大模擬的本質行為，同時扔掉那些幾乎無關緊要的部分。

關鍵觀察是：雖然一場模擬有數百萬個變數，它的解通常並不在所有那些維度間自由遊蕩；它們聚集在一個低維曲面附近。最常見的技術用奇異值分解來利用這點。你把昂貴的完整模擬跑寥寥幾次以蒐集具代表性的解快照，把它們疊成一個矩陣的各列，再取它的 SVD。前幾個領頭的左奇異向量——主導的模式，稱為模態——張成一個小子空間，捕捉幾乎所有的變化，而奇異值精確地告訴你每個模態攜帶多少能量，讓你決定在哪裡截斷（這是 Eckart-Young 低秩逼近想法的直接應用）。接著你把支配方程投影到那寥寥幾個模態上，把一個百萬變數的系統變成譬如二十變數的系統，數毫秒就能跑完。

降階模型驅動即時控制、快速設計最佳化、數位孿生與不確定性量化，任何完整模型慢到無法反覆呼叫之處皆然。誠實的侷限很清楚：ROM 只在其快照所涵蓋的情形內可信——外推到它從未取樣的流動情形，它可能錯得離譜——而強非線性或帶激震的問題抗拒低秩壓縮，因為它們的解確實填滿了許多維度。一個好的 ROM 會附帶誤差指標，在它被推到訓練範圍之外時提出警告。