表征能够辨识什么？从空间数据学习 PDE 动力学的谱极限

基于摘要分析。该研究考察从一个或少量空间观测辨识偏微分方程（PDE）动力学时，输入表征保留的信息如何限制可辨识性。其核心贡献是把控制动力学、观测协议与表征联合起来分析，区分结构性不可辨识、实际估计误差和表征导致的信息损失。 对于线性平移不变 PDE，作者报告，功率谱密度（PSD）仅能捕获 Fourier 符号的实部，而恢复虚部需要对相位敏感的时间信息。因此，平流和奇数阶色散等机制对仅保留幅值的谱表征不可见。这一结论限定于摘要所述的方程类别及观测条件，不应扩展为所有动力学任务中 PSD 都无效。 作者进一步讨论了从谱数据恢复 PDE 参数的条件：当经过时间未知时，可辨识对象可能只剩参数比值、参数组合或谱形状；单个空间快照通常会混淆初始条件与后续动力学。作者报告，数值实验用于区分上述不同误差来源，但摘要未给出方程实例、数据规模、指标或定量结果，具体实验协议、消融及统计信息尚未验证。其主要方法论价值在于：选择推断架构之前，先确定表征是否保留了目标动力学所需的信息。 平台推测（待验证）：这一思路可用于审查 EEG 动力学参数估计中的表征选择，而不是直接证明 BCI 分类性能。假设目标参数依赖相位演化，仅使用 PSD 可能丢失必要信息；可复用的是表征可辨识性分析，需改造的是 EEG 的观测模型及其与潜在动力学的映射。EEG 的低信噪比、通道混合、有限采样和跨被试差异可能使相位信息即使被保留也难以可靠估计，原论文的线性平移不变条件也未必成立。一个可检验的小实验是用已知动力学生成模拟多通道信号，在相同观测时长和噪声条件下，对比 PSD 与保留相位时间信息的表征能否恢复目标参数，再评估通道混合的影响。已有 EEG 相关工作尚未检索确认。