定向搜索表明，随机设备测试低估了模拟波动式神经算子的最坏情况误差

基于摘要分析。该研究考察制造与对准偏差下，随机抽样设备能否充分揭示波动式神经算子的最坏情况误差；核心贡献是将容差范围内的定向设备搜索与随机测试对照，区分“误差超过阈值的频率”和“误差可能达到的大小”。 研究采用简化数值案例：混合 Fourier neural operator 的四个频谱层由模拟相干 4f 处理器执行，设备包含 32 个容差参数，其容差半宽为代表性设定而非实测校准。评估覆盖四个任务、六种训练方法和五个随机种子，共 120 个模型。 作者报告，在确定性模拟器及一次固定静态误差抽样条件下，搜索设备的留出评估误差为 200 个 Monte Carlo 随机设备最大误差的 1.08–3.10 倍，为 1000 个随机设备最大误差的 1.06–2.71 倍。使用 20 次新的静态误差抽样后，120 个模型中仍有 116 个模型的搜索误差超过 200 个随机设备的最大值。均匀抽样下，抽到此类设备的概率上界为每个模型 0.37%（双侧 95% Clopper-Pearson），但这一概率界不描述误差幅度。 作者报告，该差距在与搜索预算匹配的均匀或 Sobol' 抽样、共享参数、第二种串扰模型、容差盒尺度 0.25–2 及像素级设备模型下仍存在。仅用随机静态误差训练的模型，在搜索设备上的误差达到标称误差的 3.7–39.9 倍；结合随机设备与梯度搜索设备微调，在全部 20 个任务—种子组合中取得六种训练方法里最低的搜索误差。针对热交换器平均压力，11 个模型的随机设备测试均未超过 1% 误差阈值，但搜索设备超过了该阈值。 这些结果是模拟案例中的作者报告，搜索所得只构成最坏误差的下界，并非全局最坏情况证明。具体任务、误差定义、搜索约束与预算、留出数据划分、消融及统计信息尚未验证；代表性容差也限制了真实硬件外推。 平台推测（待验证）：若 EEG 推理部署于类似波动硬件，可复用“随机测试加定向容差搜索”的评估思路，但需改造设备误差模型，并控制被试、通道及低信噪比变化。一个可检验的小实验是在固定 EEG 模型与独立测试集上，以相同设备评估预算比较随机抽样和容差搜索的最大任务误差。该假设不代表已证实的 BCI 效果，相关 EEG 工作尚未检索确认。