从流盒不变量到全局守恒律：机器学习辅助的奇异性与近可积性检测

基于摘要分析。本文研究动力系统中数据驱动守恒律的局部到全局延拓问题，提出 expanding-domain neural deflation 框架，通过逐步扩大的嵌套相空间区域，追踪独立守恒律的数量及其失效过程，区分局部不变量与持久的全局结构。 研究的出发点是：依据流盒定理，d 维系统在正则点附近通常具有 d−1 个函数独立的局部守恒律，但能够在全局持续成立的守恒律通常更少。因此，仅在预设采样区域内学到不变量，并不足以确定其在区域外是否成立。该框架将区域扩展与 neural deflation 结合；摘要未展开具体网络、损失形式、训练流程及函数独立性的检验方法。 作者报告，方法可恢复预期的 d−1 个局部不变量，并随着区域扩大检测其逐次失效，使识别出的守恒律数量趋向预期的全局极限。作者进一步指出，额外守恒律能够持续成立的区域尺度反映系统接近 Liouville 可积性的程度；逐点损失可定位孤立的延拓障碍，而在更复杂动力学中，损失所反映的失效过程可能渐进且在空间上弥散。摘要未提供具体动力系统、采样规模、误差指标或对照结果，实验协议、消融及统计信息尚未验证。 本文主要对象是动力系统的守恒结构，而非 EEG 解码或 BCI。平台推测（待验证）：若将其用于神经动力学分析，需要先明确可观测状态及其演化关系；EEG 的低信噪比、部分观测和非平稳性可能使学习残差难以区分真实结构失效与测量误差。目前尚不能据此认定其具有 BCI 效果，已有 EEG 相关工作尚未检索确认。复现时应优先核对嵌套区域构造、采样覆盖、独立性判据，以及守恒律失效与优化失败的区分依据。