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。NeuralExplorer 研究闭环控制系统的状态空间探索，通过神经网络近似灵敏度及作者新引入的逆灵敏度概念，估计系统可达集，并生成到达指定邻域的轨迹。其主要对象是动力学系统与反馈控制系统，而非 EEG 解码或用于序列建模的 State Space Models。 技术机制：作者将灵敏度与逆灵敏度的近似结果用于可达集估计，并据此设计状态空间探索算法。摘要未提供这两类量的数学定义、神经网络结构、训练目标、采样方式及估计误差控制，因此尚不能判断该框架是否具备形式化的可达性或安全性保证。 验证范围：作者报告在标准线性与非线性动力学系统、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方法有效性。摘要没有提供具体系统、对照基线、评价指标或数值结果；实验协议、消融及统计信息尚未验证。复现还需核对系统方程、初始状态集合、目标邻域定义和训练数据生成流程，代码可用性尚未验证。 平台推测（待验证）：假设闭环 BCI 场景具有可计算的状态转移模型，并能获取足够的状态—轨迹样本，该框架可能用于探索解码器与反馈控制器耦合后的可达状态，而不是直接提升 EEG 分类性能。可复用部分是灵敏度近似和轨迹搜索，需改造部分是包含用户动态、解码误差及反馈延迟的系统模型。低信噪比、跨被试差异、状态不可观测和小样本可能使近似失效。一个可检验的小实验是在已知动力学的闭环仿真中加入解码噪声，对比该方法与直接采样的目标邻域命中率及可达集估计误差；已有 EEG 相关工作尚未检索确认。