融合记忆与空间：状态空间神经算子

基于摘要分析。本文研究时间依赖偏微分方程（PDEs）的解算子学习，提出 State Space Neural Operator（SS-NO），将结构化状态空间模型（SSMs）扩展到联合时空建模，以紧凑架构捕获长程依赖。主要研究对象是 PDE 解算子，而非 EEG 解码或 BCI。 机制上，SS-NO 引入自适应阻尼，通过局部化感受野稳定学习；引入可学习频率调制，实现数据驱动的频谱选择。作者将二者作为兼顾长程依赖与参数效率的统一框架，并建立 SSMs 与神经算子之间的理论联系。作者报告证明了具有全视野的卷积架构的普适性定理；其适用函数空间、假设条件及与具体 SS-NO 实现的关系尚需全文核对。 作者报告，SS-NO 在 1D Burgers’、Kuramoto–Sivashinsky 方程，以及 2D Navier–Stokes 和可压缩 Euler 流动等 PDE 基准上表现良好，且参数量显著少于竞争方法。摘要未提供具体误差指标、参数量、对照方法、训练数据规模或数据划分，因此尚不能量化性能与效率收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其时空依赖建模与频谱选择机制可能对应 EEG 中长时程动态和频带相关信息提取，但这是迁移假设，PDE 上的效果不等于 BCI 有效性。原任务依赖时空场数据及解算子学习目标，具体监督方式和规模尚未验证；迁移时可考察阻尼与频率调制模块，但需改造电极空间表示、输入输出接口及任务目标。低信噪比可能导致频率选择拟合伪迹，跨被试频谱差异、通道布局变化与小样本也可能削弱收益。一个可检验的小实验是在固定 Cross-subject EEG 划分、统一训练预算下，对比基础 SSM 与加入这两类机制的版本，并分别消融，检验任务指标和噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认，复现仍需取得全文、实现与完整配置。