机器学习方法越来越多地被用于以较低的计算成本为复杂的物理系统构建代理模型。但是，在存在嘈杂、稀疏或动态数据的情况下，这些代理项的预测能力会下降。我们引入了一种由优化器驱动的采样驱动的在线学习方法，与当前方法相比，该方法具有两个优势：它确保模型响应表面的所有局部极值（包括端点）都包含在训练数据中，并且它采用持续的验证和更新过程，其中代理项在其性能低于有效性阈值时接受再训练。我们发现，使用基准函数，优化器定向抽样在局部极值的准确性方面通常优于传统抽样方法，即使评分指标偏向于评估整体准确性。最后，在致密核物质中的应用表明，核状态方程模型的高精度代理物可以使用很少的模型评估从昂贵的计算中可靠地自动生成。