重走 Hodgkin 与 Huxley 的推理之路：状态恢复不能证明机制恢复

基于摘要分析。该研究考察机器学习能否从模拟电流与电压中恢复 Hodgkin–Huxley（HH）模型的隐状态及动力学机制，核心贡献是指出：准确预测响应或恢复门控状态，并不足以证明模型恢复了原始物理机制。 作者训练结构化潜变量模型，在训练与模型选择中不提供门控变量的身份及轨迹，随后分别评估响应预测、状态恢复、刺激协议迁移及与 HH 动力学的一致性。作者报告，在所测试协议下，潜变量维度达到三维时，预测误差及其跨随机种子波动均明显下降；但新协议下的门控状态恢复仍随潜变量增加至五至六维而改善，表明预测所需的表征维度与状态恢复所需维度未必一致。 状态恢复还取决于坐标映射所使用的观测。作者报告，在电流钳条件下，使用实测电压相比使用模型自由预测的电压可改善状态解码；在电压钳条件下，相比仅使用指令电压，加入潜状态使 m 门控变量的恢复 R² 从 0.976 提升至 0.99 以上，但映射到目标坐标后的向量场，在相同平滑样本上仍与 HH 动力学不一致。作为审计对照，已知可逆的 HH 坐标变换在同一程序下，对快速 m 门控动力学取得较高的向量场一致性。 作者进一步给出一个精确的 HH 恒等式，将动力学差异分解为时间尺度加权的状态误差与变换后向量场的残差，两项可能相互抵消或叠加。因此，应分别核验状态恢复与动力学恢复，并明确坐标映射输入及跨干预的一致性，而不能仅凭状态拟合指标认定机制已恢复。本文主要研究对象是模拟 HH 动力学，并非 EEG/BCI 解码；摘要未提供模型具体结构、样本规模及完整评估协议，实验协议、消融及统计信息尚未验证。