用于计算机模型系统辨识的数据增强少样本神经仿真器

基于摘要分析。本文研究如何减少从数值 PDE 求解器生成神经 PDE 训练数据的成本，提出对局部 stencil（离散模板）状态进行空间填充采样的数据增强策略，以替代主要依靠长时间轨迹提取训练样本的方式；主要研究对象是计算机模型的系统辨识与神经仿真，而非 EEG 或 BCI。 核心机制是直接覆盖局部状态空间，减少轨迹数据中的时空冗余，并增加对轨迹中较少出现、但可能有助于泛化的状态的采样。训练目标为神经 PDE 的局部 stencil 算子。该方法依赖可访问的计算机模型、局部离散结构及其生成的合成训练数据；摘要未提供具体网络结构、损失函数或采样分布。 作者报告，在多个 PDE 系统上，以相当于数值模拟 10 个时间步计算量生成的增强 stencil 数据即可学习准确的局部算子；若额外提供一条完整模拟轨迹，精度还能提高。作者报告，相比从模拟轨迹中朴素采样的 stencil 数据，增强数据能改善算子学习；仅使用上述 10 个求解器步等效预算的数据，在长时滚动精度与稳定性上优于使用数千条轨迹训练的传统机器学习仿真器。具体 PDE 系统、基线、误差指标、预算折算方式、训练与测试划分，以及消融和统计信息尚未验证。 平台推测（待验证）：若 EEG 研究任务本身采用具有明确局部离散算子、可调用求解器的神经场或生物物理 PDE 模型，该采样策略可能用于降低其仿真器的数据生成成本，而非直接提升 EEG 解码。可复用的是局部状态采样与算子监督流程，需改造状态约束及边界条件处理；低信噪比、跨被试参数变化、稀疏通道和小数据可能使模型状态难以从观测中辨识，局部算子准确也不保证观测预测准确。一个可证伪的小实验是在同一模型与等求解器预算下，对比轨迹采样和空间填充采样，并在未见初始条件下评估长时滚动误差及稳定性。已有 EEG 相关工作尚未检索确认。