NeuralExplorer：利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，提出 NeuralExplorer 框架：用神经网络近似灵敏度及作者新引入的逆灵敏度概念，并利用这些近似估计可达集、生成到达目标邻域的轨迹。其主要研究对象是动力系统与反馈控制系统，而非 EEG 解码或 BCI 基础模型；这里的状态空间也不应直接等同于序列建模中的 State Space Models。 机制上，框架将灵敏度与逆灵敏度的近似用于可达集估计，再据此构造状态空间探索算法。摘要未提供两类灵敏度的数学定义、神经网络结构、训练目标、训练数据生成方式，以及轨迹生成的具体过程，因此尚不能判断估计是否具有误差界或形式化安全保证。 作者报告，该方法在标准线性与非线性动力系统、非线性混合系统，以及基于神经网络的反馈控制系统上展示了有效性。摘要未给出具体系统、初始状态范围、对照方法或定量指标；实验协议、消融及统计信息尚未验证。复现需要从全文核对系统方程、控制器、采样方案、目标邻域定义和可达集评估方式。 平台推测（待验证）：若 BCI 闭环任务已有可用的状态转移模型，并能获取状态、控制输入及轨迹数据，该机制可能用于探索控制动作能够到达的状态区域，而不是直接提升 EEG 分类性能。可复用的是灵敏度近似与轨迹搜索思路；需要改造状态表示及动力学模型。低信噪比、状态不可完全观测、跨被试差异和小数据可能使近似失效。一个可检验的小实验是在已知动力学的简化 BCI 闭环仿真中，对比该框架与直接采样的目标邻域到达率及计算成本，并改变观测噪声检验稳定性。已有 EEG 相关工作尚未检索确认。