AeroChem闭环状态校正用于空气质量预测

基于摘要分析。研究针对远距离输送、气象变化及非线性化学反应造成的长期空气质量预测困难，提出 AeroChem，将物理过程先验与长程时序建模通过闭环状态校正连接起来，以缓解长期预测漂移。主要研究对象是污染物演化，而非 EEG 或 BCI。 核心机制是双分支协同校正：基于 UDE 的过程分支提供结构化但不完美的物理先验；基于 Mamba 的虚拟测量分支捕获长程时间上下文，并生成概率性虚拟观测。Neural Kalman Fusion 在每个预测步骤校正潜在物理状态，再将后验状态反馈给模拟器。与摘要所描述的仅在输出端融合神经与物理组件的开环设计相比，其关键差异是让校正结果参与后续状态演化。具体状态定义、概率分布、融合公式、损失及训练与推理流程尚未验证。 作者同时引入 HanoiAir，整合真实世界的污染物浓度、气象及排放清单。作者报告，在 HanoiAir 和一个未在摘要中具名的公开基准上，AeroChem 改善了长时域稳定性与突变预测；摘要未提供预测跨度、数据划分、对照基线、指标或数值，因而无法判断改善幅度及适用条件。实验协议、消融及统计信息尚未验证；代码、数据获取方式与复现配置也尚未验证。 平台推测（待验证）：若 EEG 连续状态预测任务具备可检验的动力学先验，该闭环校正机制可能对应长时序滚动预测中的漂移问题，但空气污染物反应模型不能直接迁移。可考虑复用状态校正与反馈机制，重新定义 EEG 潜在状态、观测模型及过程先验；低信噪比、通道变化、跨被试差异和小数据可能导致虚拟观测失准，或使错误先验被闭环放大。一个可证伪的小实验是在相同 EEG 划分与预测跨度下，比较无校正、仅输出融合和闭环反馈三种设置的滚动预测误差，并检验噪声扰动后的稳定性。这仅是机制迁移假设，已有 EEG 相关工作尚未检索确认。