LaSDI：参数化潜空间动力学辨识

基于摘要分析。该研究面向计算物理中的快速、准确参数化模拟，提出 Latent Space Dynamics Identification（LaSDI）框架：通过数据压缩构建多个局部潜空间动力学模型，再设计模型间的交互，以覆盖不同物理参数下的求解需求。原论文主要研究对象是偏微分方程模拟，而非 EEG 解码或 BCI。 核心机制是让每个局部模型在其信赖域内提供准确解，并由一组信赖域覆盖整个参数空间。摘要介绍了 point-wise 与 region-based 两类交互方式，同时使用线性和非线性数据压缩技术。作者报告，随着训练数据增加，模型精度提高；但局部动力学的具体形式、压缩算法、交互规则及训练流程尚未验证，不能据此推定网络结构或损失函数。 作者在 Burgers' equations、radial advection problem 和 nonlinear heat conduction problem 上展示该框架，并报告相对于对应全阶模型实现 O(100) 倍加速与 O(1)% 相对误差。摘要未给出各任务的独立结果、训练与测试参数划分、计时范围及相对误差计算方式，因此这些量级不能直接推广至其他任务；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的机制，是以多个局部动力学模型描述不同状态，而不是用单一模型拟合全部变化。迁移假设依赖于 EEG 存在可稳定压缩的低维动力学，以及可定义或估计的状态参数；可考虑复用压缩与局部模型交互思路，但需改造状态定义、观测映射和局部模型选择。低信噪比、跨被试差异、通道变化及小数据可能使局部模型估计不稳定，也可能破坏信赖域覆盖。一个可检验的小实验是在固定通道的被试内 EEG 时间预测任务中，按连续时段划分训练与测试数据，以相同数据预算比较单一潜空间动力学模型与局部模型交互方案的预测误差和推理耗时。该实验仅检验迁移假设，不代表已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。