目标是截止时间加相干下限
论文把同步控制重新表述为轨迹设计问题，而不是寻找反馈控制律。使用者给出两个数：目标同步水平R*和目标时刻t*。要求不只是序参量R(t)某一次触及R*，而是在t*之后的每个时刻都保持R(t)不低于R*。
这一区别把模糊的目标变成了可检验的约束。序参量R(t)衡量各振子相位的对齐程度；论文的控制损失只在t*之后惩罚低于R*的部分，用一个在目标时刻切换的指示函数实现。在基线实验中，R* = 1按数值意义处理：当R(t)在给定容差内达到0.995，即视为实现同步。
由于约束写在整条轨迹的层面，网络并不需要模仿某个已知控制器。它要找到一条状态路径和与之匹配的输入路径，既满足动力学，又赶上截止时间，并在之后保持相干。
一个网络同时输出状态与控制
时间是一个多层前馈网络的唯一输入。网络产生两个输出，一个参数化系统状态，一个参数化控制输入，因此轨迹与控制信号在同一架构内一起学习，而不是分阶段处理。
初始条件是被精确满足的，而不是靠惩罚项逼近。两个输出都经过平滑整形函数h(t) = 1 − e^(−t)，该函数在t = 0处为零，因此状态和控制从构造上就起始于规定值。控制方程以物理信息残差的形式进入，训练时最小化一个复合损失，其中包含动力学、初始条件、同步目标和一个正则项。
正则项是对控制输入的二次惩罚。论文明确指出，这一惩罚只是训练手段，不被当作物理量或性能指标；实际控制代价在训练之外事后测量。
基线情形下同步平滑到来
基线使用N = 10个全连接振子，固有频率从[−π, π]均匀抽取，初始相位从[−π/2, π/2]均匀抽取，全局耦合强度固定为K = 0.05。不加控制时，相位时间序列保持分散，序参量在整个区间内都远低于目标。
施加控制后，相位收敛，R(t)快速上升，在t* = 2之前达到目标，随后保持在接近1的水平。学到的输入在整个时间范围内连续且平滑，没有脉冲式或高频行为，其幅度在接近同步态时下降。
最后这一点给出了实际信息：控制器的主要工作在暂态阶段完成，一旦相干建立，只需微弱而持续的输入即可维持。论文用P(t)量化瞬时控制代价，即各振子控制输入的均方值，并强调这是一个无量纲的代价度量，不是网络的物理功率或能量。
累积代价按单个振子报告
为了比较不同条件，论文把瞬时代价在控制时域上积分，得到E = ∫ P(t) dt。由于P(t)已经除以网络规模N，E是每个振子的平均累积控制代价，因此E的变化可以直接理解为同步难度的变化，而不是随系统规模产生的平凡缩放。
读者应把这个指标与训练中的惩罚项区分开。训练内部的二次正则抑制大幅值，但它不是报告出来的代价；E和P(t)是事后计算的，也是比较中使用的数字。
随后论文在固定目标(R*, t*)的前提下，逐一改变同步难度的来源。随着频率异质性宽度δ增大，固有频率分布更宽，系统去同步的倾向增强，控制器必须提供更强或更持久的输入，积分代价随之单调上升。
解析基线在何处失效
与解析策略的比较是论文中最具决策价值的结果，而且它呈现的是分情形差异，而非全面胜出。在梯度动力学中，学到的控制累积代价接近解析推导的频率补偿策略，同时避免了基于相位的反馈所特有的大幅早期功率峰值。
优势在非梯度与受挫动力学中发生转移。在那里，常规基线失去理论依据，而PINN框架仍然有效。论文把这视为该方法值得关注的原因：它不依赖那些让解析捷径成立的结构性质。
作者也把贡献主要定位在方法层面。把宏观同步要求嵌入连续时间、受物理约束的优化问题，使同步调节变成一项可编程的设计任务，可以在不规定控制律的情况下考察同步精度、收敛时间与控制开销之间的权衡。
固定输入在无在线反馈下耐受噪声
控制器是在确定性动力学上离线训练的，因此自然的问题是：执行时系统受到扰动会怎样。论文在执行阶段向受控的Kuramoto动力学加入强度为σ的独立高斯白噪声，同时保持训练好的输入固定、不做自适应调整。
性能用三个指标跟踪：t*之后区间内的时间平均序参量、相对R*的同步误差，以及积分代价E，每个量都在多次独立噪声实现上取平均。随着σ增大，时间平均序参量从1逐渐下降，相对误差单调上升；论文将其解读为围绕同步流形的波动增强，而不是全局同步的突然丧失。即使在中等强度噪声下，相干仍接近1。
由于输入不对单次噪声实现作出反应，E保持有限，并随σ平滑变化。论文把E的上升归因于抑制噪声引起的相位波动、稳定集体动力学所需的额外控制努力，并得出结论：学到的控制在轨迹层面稳定了同步，无需在线反馈或自适应重优化。
演示覆盖与未覆盖的范围
主要数值工作使用N = 10个振子，这一规模是为了让同步动力学和学到的控制信号能够被清晰分辨。论文说明Kuramoto模型只是一个具体实例，而非依赖；附录中报告了扩展：包含振幅与相位自由度的Stuart–Landau振子，以及N = 100的Kuramoto网络，状态网络和控制网络均使用两层、宽度200的隐藏层。
较大规模的测试被定位为可行性检验，说明方法在中等规模下仍可训练且有效，而不是对渐近可扩展性的探索。作者也指出计算成本和离线实现仍是实际挑战。
最影响结果适用范围的条件，是能否获得合适的集体可观测量。框架通过序参量进行调节，论文关于跨动力学机制有效的说法，以存在这样的可观测量为前提。
截止时间与水平是设计杠杆
论文的独特主张不是同步可以被强制实现，而是同步的时机与最终程度可以一起指定，再与代价进行权衡。(R*, t*)是使用者真正选择的输入，而每个振子的积分代价E就是在给定频率异质性δ下这一选择所付出的代价。
按这个角度读，论文中最有用的比较是不同机制之间的比较，而不是不同控制器之间的比较。在梯度动力学和解析频率补偿适用的地方，学到的控制在累积代价上具有竞争力，且早期更平滑；在这些基线失去理论依据的非梯度与受挫动力学中，轨迹层面的表述仍能交付指定的截止时间和相干水平。
实际优先级由此而来：当目标必须表述为一个时间加一个相干水平，而系统又没有干净的解析抓手时，这个框架最值得采用；需要说明的是，证据来自离线训练的控制器，演示规模为N = 10，并以N = 100作为可行性检验。
本文引用的文献
Controlling synchronization dynamics via physics-informed neural networks
物理信息神经网络联合学习Kuramoto轨迹与控制输入，并对所有t ≥ t*施加R(t) ≥ R*，在10个振子上于t* = 2之前达到R* = 1的目标，控制平滑、暂态开销低，累积代价与解析基线相当，且在非梯度与受挫动力学中仍然有效。