学习型随机 AI 模拟器能正确响应强迫吗？

预报技巧为何无法证明强迫响应

混沌与随机系统的机器学习模拟器通常以预报技巧和长期统计量来验证。论文指出，这两者都无法证明投影、归因和临界点研究真正依赖的性质：模拟器是否对强迫作出正确响应。一个模型可以很接近地复现不变测度，却仍然错误刻画该测度在强迫下如何变形。

线性响应理论使这一点变得可检验。对一大类混沌与随机系统，受迫响应通过广义涨落耗散关系由未受迫关联函数决定，并可按 Koopman 生成元的随机 Ruelle-Pollicott 共振及其本征函数分解。Koopmanism Response 框架用扩展动态模式分解（EDMD）从单条未受迫轨迹计算这些对象，并以 ResDMD 残差防范虚假模态。“模型是否学到了物理？”由此成为一个可证伪的问题：一个只用未受迫数据训练的替代模型，是否携带正确的共振、本征函数和静态磁化率？

逐 rollout 的校准模态分辨检验

论文把响应理论转化为一套针对学习型随机模拟器的校准评估协议。每个替代模型 rollout 对每项检查给出通过或失败，失败率与真实系统独立实现的误报率相比较。每项 rollout 都接受三类检查：不变统计量、静态磁化率 χ(0)，以及模态分辨的本征函数检验。

测试平台是随机 Lorenz-63，一个无空间结构的三变量对流玩具模型，用 Euler-Maruyama 以 δt = 0.001 积分，参数 (σ, ρ, β) = (10, 28, 8/3)，各向同性噪声 ς = 2。强迫施加在 x 方程上并追踪 x，因为 x 是耦合最强的变量，通过非线性项同时驱动 y 和 z。从一条 T = 10000 时间单位、以 τ = 0.1 采样的未受迫轨迹出发，构建生成元的 Fourier-EDMD 近似，字典大小为 (2Kmax + 1)^3 = 729，TSVD 相对阈值为 10^-4。参考响应是留出真实实现（种子 101）上的仪器重建结果。

作者明确指出，这是一个具有已知真实响应的受控测试平台，而非业务化气候模拟器。其目的是刻画网络设计与训练形式如何塑造响应保真度。

不变统计量与响应保真度脱钩

核心结果是两类保真度在两个方向上都会分离。水库计算机很接近地复现了不变测度，78 个 rollout 中有 76 个的 W1 位于其下限之内，其中 26 个 rollout 同时落在全部四个不变统计量下限和 χ(0) 区间内。在这 26 个中，有 20 个未通过慢模态检验，而通过同样检查的 48 个真实实现中只有 3 个未通过（Fisher p = 4.9×10^-10）。这一失败并非伪装的切换错误：在切换比下限之内，RC 有 70% 的 rollout 未通过慢模态，在下限之外为 80%（p = 0.424）。从谱上看，RC 把它的两个主导振荡共振放在参考频率的 0.133% 以内，但其第二个慢模态在 77% 的 rollout 中衰减得比任何真实实现都快（中位 Reλ = -0.639，真实范围为 [-0.611, -0.483]），其慢本征函数通过率不到三分之一。

神经 ODE 和神经 SDE 呈现相反的模式。两者在每个 rollout 中都过度切换（中位切换比分别为 1.05 和 1.05），在 93% 和 100% 的 rollout 中未通过不变统计量，但只在 24% 和 23% 中未通过慢模态。一个在短 rollout 上微调的探索性因果 Transformer——当前天气模拟器的架构家族——表现出同样的分裂。

MLP 基线在每一级都失败。漂移 MLP 学到的是 O(∆t) 割线漂移而非 F，其 Euler rollout 在 80 个中有 33 个坍缩到单翼。作为流映射拟合时，同一网络恢复了双翼切换（80 个 rollout 中 0 个单翼），但没有恢复测度（中位 f+ = 0.474）；其最慢实模态衰减过慢（-0.146，真实为 -0.389），因此到 t = 1 时只有 33% 的 χ(0) 累积完成，而真实实现的中位数为 89%，且 χ(0) 出现超调。

χ(0) 为何无法区分这些情形

对 SINDy、RC、NODE 和 NSDE，χ(0) 失败率从未超过 9%，而它们的慢模态失败率在 0% 到 76% 之间。论文解释，这对一个时间积分量而言是预期之中的：当强迫和观测都作用于 x 时，χ(0) 主要由快弛豫决定。在真实实现中，到 t = 1 时已有中位数 89% 的 χ(0) 累积完成，此时慢模态（e 折时间 1.97 和 2.73）尚未弛豫。

这就是为什么像 χ(0) 这样的标量响应摘要在这里检测不到脱钩，而模态分辨检验可以。论文指出，与叶瓣占据耦合的强迫或观测量可能恰好加载在这些慢模态上；与 χ(0) 不同，共振和本征函数不依赖于这一选择。

仪器本身也受到检验。取 Γ = -∂x ln ρ0 并沿 x 强迫时，格林函数在零延迟处的值被解析地固定为 Gx(0) = 1，而流程中没有任何步骤对 Gx 做归一化，因此测得的偏离 1 的程度是一个免费的逐序列字典截断误差估计：|Gx(0) - 1| 在真实实现上至多 0.83%，在所有计分 rollout 上至多 1.92%。不变统计量下限是 50 个独立真实实现相对留出参考实现（种子 101）而非主轨迹（即每个模型的训练数据）计分时各距离的最大值；没有任何下限未通过其留一零假设检验。

训练形式决定学到哪些性质

对固定网络而言，训练形式决定它把哪些性质学对。论文构建了一个共享架构和数据的训练形式阶梯：一步漂移回归、流映射、多步神经 ODE，以及带学习扩散的神经 SDE。这隔离了训练目标、多步损失和学习噪声各自的影响。

在粗步长上回归的一步漂移把 O(∆t) 割线偏差带入模型并破坏吸引子。一步流映射可以匹配吸引子，如 RC 那样，却错置缓慢弱阻尼模态，可能是因为这些模态在一步内变化很小，几乎不进入一步损失。通过积分器在多步窗口上训练（NODE、NSDE）能在四分之三的 rollout 中恢复慢模态，但会过度切换。

一项离散化控制把学习误差与积分器误差分开。把真实漂移通过相同的 RK4 路径以 h = ∆tfit = 0.01 和 oracle 噪声 rollout，各 10 次抽样，切换比在每次抽样中都低于 1（中位 0.953 和 0.948，最大 0.975 和 0.968），而 NODE 和 NSDE 在 80/80 和 80/80 个 rollout 中都高于 1。因此过度切换是学到的，而非数值造成的。该步长使中位 χ(0) 相对真实中位数（0.221）偏移 0.0443 和 0.0549，并基本保持慢模态不变（慢模态失败率至多 10%）。

阳性对照与阈值揭示了什么

带有包含真实方程的二次库的 SINDy 充当阳性对照。在完整记录上训练后，它把结构系数恢复到 0.116% 以内，并在每一级以与真实一致的比例失败，没有任何模态通过是由 0.99 上限决定的。因此该仪器能认证一个正确模型，而不仅仅是拒绝错误模型。

阈值敏感性对解读失败率很重要。ω ≈ 8.42 和 16.68 两对模态的阈值位于 0.99 上限（未截断值 0.9984 和 0.9960），因此这些模态的通过可能由上限决定：RC 在 8.42 处的 77 次通过中有 75 次如此，NODE 和 NSDE 在 80 和 80 次通过中分别有 63 和 71 次如此，而 SINDy 为 0 次。用 50 个新真实实现重建两个慢模态阈值（留一最小值：0.9257 和 0.8693，而非 0.9450 和 0.9216）后，RC 的慢模态失败率从 76% 降到 55%，NODE 的从 24% 降到 7%，RC 的表现变为 26 个 rollout 中 14 个，而 48 个真实实现中 1 个（Fisher p = 2.6×10^-7）。

逐模态重叠还显示，RC、NODE 和 NSDE 在大多数 rollout 中错过了近简并振荡对的单个本征向量，却恢复了它们的联合子空间；MLP 两者都未恢复，只有 SINDy 分辨出这一分裂。

探针适用于哪里又止于哪里

该检验是校准过的，而非穷尽的：一个低维系统、一个强迫方向和一个观测量。阈值来自 16 个校准真实实现，用 50 个新真实实现重建慢模态阈值会改变所报告的失败率，振荡模态通过上的 0.99 上限也是如此。除 NSDE 外，rollout 使用真实噪声强度，这是一个有利于替代模型的 oracle；作为稳健性检查，仅用 100 个时间单位拟合的 SINDy 会获得对称破缺项。

在这些界限之内，论文的实践优先级很明确。不变统计量和 χ(0) 都不能认证慢动力学：RC 有四分之一的 rollout 在慢模态错误的情况下同时通过两者。如今在天气模拟器中常见的多步损失似乎承载了慢动力学，可以搭配不变测度约束或谱先验，而不是搭配更灵活的网络架构。由于慢模态支配亚稳系统准不变集之间的跃迁，并且对与它们耦合的强迫而言支配其响应，一个每个模型只需一条未受迫轨迹的模态分辨检验，应当与不变统计量一起用于验证学习型模拟器。自然的下一步是检验这些模式是否在空间扩展系统和当前最先进模拟器架构中持续存在。

本文引用的文献