ABM-UDE：基于科学机器学习开发流行病智能体模型的代理模型

智能体流行病模型（ABMs）编码了行为和政策的异质性，但因计算开销大，难以进行夜间医院规划。我们开发了县级就绪代理模型，通过Universal微分方程（UDEs）直接从exascale ABM轨迹中学习：将机械化的SEIR家族ODE与神经参数化接触率 $\kappa_\phi(u,t)$ 结合（无额外残差）。我们的贡献在于：我们调整了多个射击法和基于观察器的预测误差方法（PEM）以稳定识别跨干预驱动的相变区间内的神经增强流行病学动力学；我们强制实现正值和质量守恒，表明所学接触率参数化构成良好定义的向量场；我们量化了准确性、校准性和计算性能，相较于ABM集合和UDE基线。以ExaEpi情景为代表，在PEM-UDE相对于单射击UDE（3.00 vs. 13.14）中，平均MSE降低77%；相对于MS-UDE（3.75），降低20%。可靠性方面，ABM $10$-$90$%和$25$-$75$%置信区间的经验覆盖率从UDE的0.68/0.43和MS-UDE的0.79/0.55提升至PEM-UDE的0.86/0.61和MS+PEM-UDE的0.94/0.69，表明实现了校准的不确定性而非过度自信的拟合。在商品CPU上推断运行仅需20-35秒即可完成约90天的预测，使其在笔记本电脑上实现夜间“情景探索”。相较于约100 CPU小时的ABM参考运行，此举实现了约$10^{4}\times$的单位场景墙时降低。此举弥合了现实感知与频率之间的鸿沟，支持阈值感知决策（例如维持ICU占用率 $<75\%$），保留机械可解释性，并在标准机构硬件上实现校准的、风险感知的情景规划。除流行病外，ABM$\to$UDE的配方为将智能体模拟器提炼为快速可靠代理模型的可携带路径，适用于其他科学领域。