NeuralExplorer：使用神经网络探索闭环控制系统的状态空间

基于摘要分析。该研究针对闭环控制系统的状态空间探索问题，提出 NeuralExplorer 框架：引入逆敏感度函数，并用神经网络对其进行近似，以生成能够到达指定目的状态或其邻域的系统轨迹。主要研究对象是动力学与反馈控制系统，而非 EEG 解码或 BCI 模型。 技术机制的关键是利用逆敏感度近似引导目标导向的轨迹生成。摘要未给出该函数的数学定义、神经网络的输入输出、训练数据构造、损失函数及轨迹生成流程，因此尚不能确定其如何调整系统初始条件或其他变量，也不能将它等同于具备可达性保证的形式化验证方法。 作者报告在标准非线性动力系统、非线性混合系统及基于神经网络的反馈控制系统上展示了方法的有效性。摘要没有提供具体系统名称、对照基线、成功率、计算开销或误差指标；实验协议、消融及统计信息尚未验证。复现前需核对逆敏感度的定义与近似条件、训练与测试状态范围、目标邻域的判定规则，以及轨迹是否满足系统约束。 平台推测（待验证）：若闭环 BCI 系统具有可仿真且可观测的状态表示，该机制可能用于探索控制轨迹或寻找难以到达的目标区域，而不是直接改善 EEG 分类。可考虑复用目标导向探索思路，但需改造状态表示和动力学建模；所需监督信号与数据规模尚未验证。低信噪比、跨被试差异、通道变化及小数据条件可能使状态估计和逆敏感度近似失准。一个可检验的小实验是在固定的简化闭环 BCI 仿真中，以相同仿真调用预算比较该机制与随机探索的目标邻域到达率，再逐步加入观测噪声，检验优势是否保持。已有 EEG 相关工作尚未检索确认。