迈向高效且稳定的海洋状态预测：连续时间 Koopman 方法

基于摘要分析。该研究面向双层准地转（QG）系统的长时海洋状态预测，考察 Continuous-Time Koopman Autoencoder（CT-KAE）作为轻量级替代模型的可行性。核心贡献是将非线性动力学投影到由线性常微分方程支配的潜在空间，以结构化时间演化支持稳定、高效的长期预测。 机制上，CT-KAE 通过矩阵指数推进潜在状态，作者称其可实现不依赖固定时间分辨率的预测。其方法依赖可用于学习系统演化的海洋状态时序；具体状态变量、空间离散、训练规模、监督方式、损失函数及潜在动力学约束尚未验证。 作者报告，在双层 QG 系统的 2083 天滚动预测中，CT-KAE 的误差增长保持有界，大尺度统计保持稳定；对照的自回归 Transformer 基线则出现逐步误差放大与能量漂移。作者同时报告，细尺度湍流结构存在部分耗散，但整体能量谱、涡量平方积分（enstrophy）的演化及自相关结构在长时预测中保持一致。相对于数值求解器，作者报告推理速度提升多个数量级；具体硬件、计时口径、误差指标、数据划分及基线配置尚未验证，不能据此量化精度或速度优势。全文中的实验协议、消融及统计信息仍需核对。 平台推测（待验证）：若 EEG 的部分时间演化可由近似线性潜在动力学描述，该机制可能用于 EEG 连续预测中的长期误差控制，但海洋物理统计的稳定性不等于神经信号或 BCI 解码性能有效。可复用的是连续时间潜在状态推进模块，需改造的是面向多通道 EEG 的编码与重建模块，并处理低信噪比、跨被试差异、通道变化和小数据条件下的动力学估计风险。一个可检验的小实验是在同一 EEG 数据划分与预测时距下，对比连续时间线性潜在推进和自回归预测，检查多步预测误差、自相关及频谱保持程度；稳定但过度平滑也应视为可能失败结果。已有 EEG 相关工作尚未检索确认。