SPLICE：稀疏物理算子库识别与组合式扩展

基于摘要分析。该研究面向物理系统的神经算子组合仿真，探讨能否从多个物理机制同时作用、但没有机制标签的轨迹中，适配并扩展预训练算子库。SPLICE 的贡献是从混合数据中发现算子、识别其对应机制，并将这些算子组合为未见方程的零样本模拟器，而非直接研究 EEG 或 BCI。 核心机制：既有 neural operator splitting 为每种物理机制配置一个神经算子，再通过组合模拟新方程，但要求预先指定机制及其标签。SPLICE 通过求解凸优化问题推断候选算子对各条轨迹的贡献，再使用校准检验为发现的算子确定机制归属。摘要还称，该框架能够检测算子库缺少所需物理机制、或不同机制难以充分分离的失败情形；具体优化目标、稀疏约束、检验校准方式和训练流程尚未验证。 结果：在摘要所述的一维和二维系统评估中，作者报告发现的算子可从无标签混合轨迹恢复机制，并组合为未见方程的零样本模拟器；冻结已有算子库后，还可无标签地新增预训练中未包含的物理机制算子，且不发生遗忘。在 Navier-Stokes 上，作者报告发现的算子组合精度与有监督对应方法大致相当，但摘要未提供指标数值、数据划分或具体对照配置。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 动态可以被具有可辨识性的机制算子组合近似描述，无标签贡献估计与机制可分离性检验可能具有方法参考价值；这一假设不等于已证实的 BCI 效果。可参考的模块是算子贡献估计和校准检验，需改造的是机制库、观测映射及轨迹表示。EEG 的低信噪比、通道混合、跨被试差异和小数据可能使机制无法辨识。一个小规模可证伪实验是在具有已知生成机制的合成 EEG 混合轨迹中，比较无标签识别与有监督机制标签对照，并逐步增加噪声和观测混合，检验机制恢复与失败检测是否仍可靠。已有 EEG 相关工作尚未检索确认。