arXiv cs.AI· Xiaoshn Nee, Haobo Zhong, Xiaomin Ni·· 10 小时前AI 评分31
科学 AI 的可观测特定有效性测试：受控近似与干预响应
Observable-Specific Validity Tests for Scientific AI: Controlled Approximations and Intervention Response
AI 导读
研究提出面向科学 AI 的“可观测特定有效性记录”，将近似方法与参考模型、误差度量、容差、参数域及干预变换绑定。在 16 次重复神经网络拟合中，引入量纲齐性使能量尺度迁移误差从 52.3% 降至 0.0768%，同时满足 gap 与响应容差的中位比例从 0 提升至 100%。
正文 · AI 翻译
摘要：近似方法可以复现能量，却遗漏其响应；或者满足误差容限，却未获得给定界限的认证。我们为科学人工智能（AI）构建了可观测对象特定的有效性记录，将约简与其参考模型、误差度量、容限、参数域以及变换或干预联系起来。针对奇异摄动振子的显式位移与速度证书恢复了不同的收敛阶，并提供了充分的有效性保证。精确的 Hubbard 二聚体关系解决了能量判据与响应判据所接受的不同耦合域问题。在 16 次重复的神经网络拟合中，施加量纲齐次性将能量尺度迁移误差从 52.3% 降至 0.0768%，并将同时满足能隙与响应容限的中位比例从零提升至 100%。配对变换验证了受保护的标度关系，而耦合交叉点则识别出响应迁移所需的额外信息。一个因果模型在强负向观测关联之下恢复了正向的干预响应。对于在 Gaussian 噪声下观测、其响应首次在 $x^k$ 阶出现差异的两种机制，我们推导出精确的固定控制查询需求，其标度为 $x^{-2k}$，并通过数值方法验证了其完整的成功曲线。结合一个 256 任务的评估接口，这些结果为科学 AI 中的受控近似、物理迁移与机制判别提供了可独立检验的测试。
| 学科： | 机器学习 (cs.LG)；人工智能 (cs.AI)；数字图书馆 (cs.DL) |
| 引用为： | arXiv:2610.41939 [cs.LG] |
| （或 arXiv:2610.41939v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41939 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xiao-Sheng Ni [查看电子邮件]
[v1]
2026年10月30日星期五 15:57:51 UTC（294 KB）
来源：arXiv cs.AI · arxiv.org