GEWorld：用于作物表型预测与滚动推演的基因型—环境世界模型

基于摘要分析。该研究针对作物表型预测中静态映射难以随新增观测和环境变化动态更新的问题，提出 GEWorld，将表型预测建模为潜在生理状态的演化，并支持未来表型轨迹预测及替代天气条件下的环境反事实推演。 核心机制包括三个环节：首先，以门控的乘性基因型—环境交互融合基因型与环境嵌入，初始化潜在状态；其次，通过基于 GRU 的观测模块同化已观测的表型序列前缀，在新测量到来时修正状态；最后，使用受 Mamba-2 启发的状态空间转移，在给定未来环境和经过时间的条件下进行开放环演化。模型从初始状态解码静态终末性状，并从滚动演化的状态解码残差式动态轨迹。摘要未提供具体损失函数、训练安排或状态空间转移的完整实现。 环境反事实通过固定同一个已同化状态、替换未来天气条件并重新推演获得。这一设计将历史观测校正与未来环境响应分开，但反事实预测是否具有因果解释、未来天气输入如何获得，以及对未见环境的可靠性，均需查阅全文验证。 作者报告，在覆盖五种作物的静态与动态基准上，GEWorld 达到最先进的预测准确性，预测轨迹也能紧密跟随实际发育过程。摘要未列出作物与数据集名称、评价指标、具体数值、数据划分或对照基线，因此无法判断不同评估协议下的优势范围；实验协议、消融及统计信息尚未验证。作者提供了公开代码地址，但代码内容、数据获取条件及运行环境尚未核查。 本研究的主要对象是作物基因型、环境与表型，不是 EEG 或 BCI。现有材料未建立其生理状态与神经信号之间的具体对应关系，不能据此推断 BCI 有效性；尚未检索确认相关 EEG 工作。