校准昂贵模拟，有点像用收费很高的试验反推一台机器的隐藏旋钮：每试一组参数都要花钱，而且同一组参数重复运行，结果还可能不同。传统做法容易把预算平均撒开。这项工作引入主动学习——让算法根据已有结果，决定下一次最值得运行的参数与设计输入组合，把计算集中到真正影响校准判断的区域。
它最关键的一步，是在两种用途之间动态选择：探索新位置，寻找更可信的参数区域；或在旧位置重复采样，分清结果差异究竟来自参数，还是模拟本身的随机噪声。算法先用统计仿真器——由少量昂贵结果训练出的廉价替身——估计各处输出及其不确定性，再选择最能降低参数后验分布不确定性的下一次运行。后验分布可以理解为：结合观测后，各组参数有多可信，而不只是找一个“最佳答案”。
作者称，合成基准和一个真实流行病学模型的实验都显示，该方法能用更少的模拟更好地学习参数后验分布；不过现有材料未披露具体节省比例。