在混合PDE-参数学习中检测和区分算子错误设定：一种无参考工具，带有样本内区分界限

# 混合PDE-参数学习中操作子误设的检测与区分：一种无需参考模型的工具，具有有限样本内区分能力  
来源：https://arxiv.org/html/2608.16925  
Eric Fockhttps://orcid.org/0000-0002-5017-3415E\. Fock隶属于PIMENT实验室，La Réunion大学，Le Tampon 97430，La Réunion，法国（邮箱：eric\.fock@univ\-reunion\.fr）。ORCID：https://orcid.org/0000-0002-5017-3415  

###### 摘要  
我们构建了一个工具，能够从*单次*拟合中，无需先验知识，判断混合PDE参数估计器假设的操作子是否错误——并将其与单纯不可识别参数的情况区分开来。在一个自伴抛物型反问题上，信息矩阵统计量采用嵌入式尺度和每种子参数时，正确设定下中位数为0\.19，拒绝率为0\.033（相对于预先注册的阈值0\.10），而在两种误设情况下分别飙升至224和858，并在每次重复实验中触发。在正确设定但*不可识别*的设计中，它保持静默——当n=200时为0\.050，Clopper–Pearson置信区间[0\.024, 0\.090]——而秩统计量则在预先注册的边界c5∗=2\.15×10−3处归零。因此，一次拟合的两种读数即可在可部署测试所涵盖的三种设计中区分这两种失败。这种区分是贡献所在；单纯检测已是拥挤的侧翼。在样本内它是一个*界*，在样本外则是一个*方向*。  

这是因为通常的*准确性*检查是盲目的：误设估计器在定义域内的RMSE为2\.7×10−2，当σ≥0\.5时*低于观测噪声*，而在零噪声时系数误差为29\.7%，在最嘈杂时为31\.2%。失败也并非架构问题：单参数曲线拟合、裸参数以及49和241参数的多层感知器都收敛到相同的伪真值，与闭式解匹配在0\.07%以内；而具有复合目标的物理信息网络则收敛到一个*分离的*伪真值。我们报告了工具的盲区，一个预先注册的负面结果（神经估计器在恢复方面不如Tikhonov正则化逆问题），以及其保证成立但训练网络违反的假设。  

## I 引言  
一个拟合的物理模型可能以一种其自身残差无法显示的方式出错，这现在已经得到记录\[1 (https://arxiv.org/html/2608.16925#bib.bib1)\]。所缺少的是从单次拟合中、无需先验知识就能指出这一点的读数，并且能够区分错误的操作子与单纯不可识别的参数。物理信息和混合神经估计器现在是从稀疏、有噪声数据中恢复偏微分方程未知系数的标准途径\[2 (https://arxiv.org/html/2608.16925#bib.bib2), 3 (https://arxiv.org/html/2608.16925#bib.bib3), 4 (https://arxiv.org/html/2608.16925#bib.bib4), 5 (https://arxiv.org/html/2608.16925#bib.bib5)\]。工作流程是一致的：假设操作子，用网络参数化其未知系数，拟合，保留部分数据，并在保留误差足够小时报告恢复的系数。  

我们表明，该工作流程返回的系数误差达30%，而所有定义域内的诊断看起来都是正确的。在一个具有一个缺失模态分量的自伴抛物型问题上，误设估计器在拟合窗口*内部*重现了该场，RMSE为2\.7×10−2——当σ≥0\.05时*低于测量噪声*（第VII节 (https://arxiv.org/html/2608.16925#S7)）——并在零噪声时返回误差为29\.7%的扩散率，噪声越大误差越大（图1 (https://arxiv.org/html/2608.16925#S1.F1)）。更清洁的数据也无济于事：在t∈[0, 1]上拟合，并在t∈[1, 2]上评估时，其*定义域外*误差的双对数斜率在σ∈[0, 0.2]上为0\.0049——比正确设定估计器的2\.004低409倍，后者的MSE随σ2下降（表I (https://arxiv.org/html/2608.16925#S1.T1)）。误差是结构性的——一种噪声不变的偏差，而非方差（图2 (https://arxiv.org/html/2608.16925#S1.F2)）——没有任何*预测准确性*的定义域内检查能将其与良好拟合区分开来。  

**表I**：平台区的σ不变性（单一误设情况）。在*正确*设定下，两个斜率*不是*相同的数字，其差异正是关键：αerr（误差指数）随噪声线性变化（测量为1\.007, 1\.000用于模态估计器），而MSE是二次的（2\.015, 2\.004）。误设所做的是将*两者*都趋近于零。因此，平坦斜率仅是误设的标志，必须始终引用此限定；图2 (https://arxiv.org/html/2608.16925#S1.F2)将其分解为偏差和方差。  

参见图注  
**图1**：Hyb\_scalar（表I中的估计器）识别误差的σ不变性：误设平台区在噪声下是平坦的（斜率为-0\.004和-0\.010，两个区间都包含零），而在正确设定下误差与σ线性相关（斜率1\.007，置信区间[0\.912, 1\.103]）。  
参见图注  
**图2**：三种设定情况下识别误差跨噪声水平的偏差-方差分解。（a）在正确设定下，外推*MSE*纯粹是方差（∝σ2），而在误设下噪声不变的偏差平台区占主导。（b）在σ=0\.02时，比值B2/V以三个数量级区分了这三种情况。（c）仅*方差*在*所有三种*情况下都以斜率≈2上升：误设使估计器产生偏差，但不改变噪声如何传播到估计器中。两个误设斜率（1\.70±0\.12, 1\.61±0\.14）落在预先指定的带2±0\.15*之下*，而设定良好的斜率（1\.99±0\.01）则满足该带；在我们的随机设计下，预期会出现这种短缺，因为一个与σ无关的结构下限阻止了Var(α^)在σ→0时消失，从而使双对数斜率变平。  

三个事实使得这对学习系统（而非单一估计器）成为问题。首先，容量无关紧要：一个无网络的单参数曲线拟合、一个裸标量参数以及49和241参数的多层感知器都收敛到*相同的错误*值，且它们的自助法区间重叠（第IV-E节 (https://arxiv.org/html/2608.16925#S4.SS5)）。其次，该值是可预测的：它是  
参见图注  
**图3**：经验平台区与White的伪真α∗（闭式，无网络）的对比：在三种情况下，中位数识别值都在α∗的0\.07%以内。  
White的伪真参数\[6 (https://arxiv.org/html/2608.16925#bib.bib6)\]，无需网络即可用闭式计算，匹配在0\.07%以内（图3 (https://arxiv.org/html/2608.16925#S1.F3)）。第三，改变*目标*确实会移动它——一个物理信息网络，其复合损失定义了一个不同的M-估计问题，收敛到一个*分离的*伪真值。因此，平台区追踪的是损失类别和设定，而非架构。扩大模型无法消除它。  

因此我们构建了一个工具。它读取单次拟合，无需先验知识和保留的正确模型，并回答两个问题：操作子是否错误？以及——如果有东西出错——是操作子错误，还是仅仅是不可识别的参数？第二个问题将这项工作与单纯的检测区分开来，后者已是拥挤的侧翼：30%的平台区同样与正确模型但数据无法约束其参数的情况一致，告诉从业者重写可能正确的物理学比什么也不说更糟。  

我们的贡献如下：  
1.  **单次拟合的无参考设定检验**。信息矩阵统计量INI\_N，采用嵌入式尺度和每种子参数，通过参数自助法校准：正确设定下中位数为0\.19（拒绝率0\.033，相对于预先注册的阈值0\.10），误设下分别为224和858，在每次重复实验中触发（第V节 (https://arxiv.org/html/2608.16925#S5)）。  
2.  **任何架构都无法逃脱**。单参数曲线拟合、裸标量参数以及49和241参数的MLP都落在同一个伪真值α∗=0\.007033上，且自助法区间重叠；而PINN，其复合目标是一个*不同的*M-估计问题，则落在分离的0\.006939上。平台区追踪的是被估量的设定，而非网络规模（第IV-E节 (https://arxiv.org/html/2608.16925#S4.SS5)）。这是关于学习系统作为一个整体的主张，也是实践无法通过扩大规模来修复的原因。  
3.  **为何需要此工具，在此系统上测量**。误设估计器的定义域内RMSE对σ*不变*且低于观测噪声，而系数保持错误；第二个更便宜的读数——定义域外误差比——确实能发现它（第VII节 (https://arxiv.org/html/2608.16925#S7)）。我们是在一个精确可解的操作子上建立这一点的；其跨物理学的普遍性超出了当前范围。  
4.  **区分，而非仅仅检测**。在一个正确设定但*不可识别*的设计上，INI\_N保持静默（拒绝率0\.067），而Fisher秩统计量归零。两个轴从同一次拟合中读取，因此“错误操作子”与“不可识别参数”被区分开来（第VI节 (https://arxiv.org/html/2608.16925#S6)）。  
5.  **局限性，作为结果报告**。检测器的一个预先注册的盲区；一个预先注册的负面结果（神经估计器在结构系数上比Tikhonov正则化逆问题*差*1\.8–4倍）；以及特异性保证成立但训练网络违反的假设（H2）（第IX节 (https://arxiv.org/html/2608.16925#S9)）。  

*本文不声称的内容。*它不声称神经估计器在恢复方面更好——我们展示了一个预先注册的案例它们更差。它不声称统计量的创新：White的伪真参数和信息矩阵检验是1982年的成果。贡献是转化性的：一个工具，一个可证伪的基准，以及误设文献和可识别性文献各自只掌握一半的区分。  

## II 相关工作  
学习PDE系数及其失败方式。物理信息网络\[2 (https://arxiv.org/html/2608.16925#bib.bib2), 3 (https://arxiv.org/html/2608.16925#bib.bib3)\]通过惩罚配置点上的PDE残差来恢复未知系数\[7 (https://arxiv.org/html/2608.16925#bib.bib7), 8 (https://arxiv.org/html/2608.16925#bib.bib8)\]，社区已经记录了它们的失败方式。Krishnapriyan等人\[9 (https://arxiv.org/html/2608.16925#bib.bib9)\]将失败模式追溯到软残差损失的病态条件；Wang等人\[10 (https://arxiv.org/html/2608.16925#bib.bib10)\]归因于损失项之间的梯度流病态；Fesser等人\[11 (https://arxiv.org/html/2608.16925#bib.bib11)\]将外推失败归因于解的谱偏移；Xu等人\[12 (https://arxiv.org/html/2608.16925#bib.bib12)\]描述了前馈网络如何进行外推。  

*所有这些失败都是优化或表示的失败。*修复优化器，增加容量，重新加权损失，它们就会改善——可证明地：深度算子学习的界限\[13 (https://arxiv.org/html/2608.16925#bib.bib13)\]随宽度、深度和样本量减小。但它们假设一个*真实的*目标算子，其误差下限仅为噪声和投影，没有设定偏差项。  

我们的失败则不然。估计器有一个自由标量，凸目标，无残差损失；它达到全局最小值；但它错了30%。这是*被估量*的失败，第IV-E节 (https://arxiv.org/html/2608.16925#S4.SS5)表明增加容量并未使其移动分毫。  

网络被允许表示什么。第二条线通过网络的谱偏差来解释SciML的失败——低频先被学习\[14 (https://arxiv.org/html/2608.16925#bib.bib14), 15 (https://arxiv.org/html/2608.16925#bib.bib15)\]，神经切向核为PINNs精确化了这一点\[16 (https://arxiv.org/html/2608.16925#bib.bib16)\]。这是我们崩溃的自然首要解释，我们对此进行了测试：灵活的头部即使在低通偏差可能表示的低频模态下也产生了一个虚假场（第VIII节 (https://arxiv.org/html/2608.16925#S8)）。谱偏差决定了崩溃的*严重程度*；它并不产生崩溃。  

混合估计器。将第一性原理结构与学习组件相结合的半参数模型已有三十年历史\[4 (https://arxiv.org/html/2608.16925#bib.bib4), 17 (https://arxiv.org/html/2608.16925#bib.bib17), 18 (https://arxiv.org/html/2608.16925#bib.bib18), 19 (https://arxiv.org/html/2608.16925#bib.bib19), 20 (https://arxiv.org/html/2608.16925#bib.bib20)\]，建立在动力系统神经识别的基础之上\[21 (https://arxiv.org/html/2608.16925#bib.bib21)\]，现在已深度构建\[22 (https://arxiv.org/html/2608.16925#bib.bib22), 23 (https://arxiv.org/html/2608.16925#bib.bib23)\]。此处使用的χ架构属于该谱系\[4 (https://arxiv.org/html/2608.16925#bib.bib4)\]，采用\[24 (https://arxiv.org/html/2608.16925#bib.bib24)\]实现的形式：它保持假设的形式完整，只学习其系数，将解析敏感性χ=∂F/∂θ注入反向传播。该设计选择使得本文成为可能。  

敏感性也以另一种方式使用——基于方差的，用于选择网络的输入\[25 (https://arxiv.org/html/2608.16925#bib.bib25)\]并修剪其隐藏单元\[26 (https://arxiv.org/html/2608.16925#bib.bib26)\]——询问*网络应该读取什么*。此处的估计器不选择任何东西，这正是关键：它的输入和功能形式由假设的物理学固定，因此误设除了进入系数别无去处。  

泛函微分方程\[5 (https://arxiv.org/html/2608.16925#bib.bib5)\]和神经ODE混合体\[27 (https://arxiv.org/html/2608.16925#bib.bib27), 28 (https://arxiv.org/html/2608.16925#bib.bib28), 29 (https://arxiv.org/html/2608.16925#bib.bib29)\]向机制核心添加了一个自由神经残差——而一个自由残差会*吸收*误设，而不是在系数中暴露它。第VIII节 (https://arxiv.org/html/2608.16925#S8)直接测量了这种吸收：当我们向网络移交更多状态时，识别误差从0\.004%增长到7%。  

误设。在一个错误模型下，M-估计器收敛到一个伪真参数而非真参数\[30 (https://arxiv.org/html/2608.16925#bib.bib30), 6 (https://arxiv.org/html/2608.16925#bib.bib6), 31 (https://arxiv.org/html/2608.16925#bib.bib31), 32 (https://arxiv.org/html/2608.16925#bib.bib32)\]，忽略模型差异会使校准的物理参数产生偏差\[33 (https://arxiv.org/html/2608.16925#bib.bib33)\]。在物理信息学习中，反应是*纠正*：Zou等人\[34 (https://arxiv.org/html/2608.16925#bib.bib34)\]添加一个差异项，不确定性量化对剩余部分进行边界限定\[35 (https://arxiv.org/html/2608.16925#bib.bib35)\]。我们两者都不做。我们将伪真值视为*信号*——它可以用闭式计算，在同一损失类别内与架构无关，它与标称值的距离正是从业者用来评估...