等式约束优化中全空间与约化空间方法何时表现分化：条件性视角

基于摘要分析。该研究面向物理 AI 中的等式约束优化，探讨使用 Newton 型方法求解时，如何在 reduced-space（约化空间）与 full-space（全空间）两种形式之间作出有原则的选择。其核心贡献是将两者的数值表现差异与状态约束 Jacobian 的奇异值谱联系起来，而非仅依赖领域经验。 作者报告，两类方法在条件良好的问题中均能成功求解，但在病态条件下表现分化：当病态性由过大的奇异值主导时，reduced-space 方法更具优势；当病态性由趋近于零的奇异值主导时，full-space 方法更具优势。这一区分说明，不能仅以“问题是否病态”决定求解形式，还需辨别病态性的谱结构来源。理论结论所依赖的假设、优势的具体衡量方式及其与 Newton 步求解过程的关系，摘要未提供，尚需正文核对。 作者报告在四个不同基准上的经验评估支持理论发现，但摘要未列出基准名称、问题规模、求解器配置、对照方法或量化指标，因此目前不能判断优势对应收敛速度、求解精度、稳定性还是计算成本。实验协议、消融及统计信息尚未验证。 该论文主要研究一般等式约束优化，而非 EEG 解码或 BCI 算法。现有材料不足以建立其与具体神经信号建模任务的对应关系，不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。