基于多项式混沌替代器的序列生成模型可解释 Epistemic 不确定性分解

以不确定奖励为条件的序列生成模型是AI驱动的科学发现的核心，但它们继承的来自不完美奖励估计的认识不确定性尚未被量化。我们通过对小型训练模型集合拟合多项式混沌展开（PCE）来传播这种不确定性。PCE系数产生解析的Sobol敏感性指数，首次提供了哪些奖励组件驱动哪些生成决策的可解释分解，这种能力在深度集成、贝叶斯神经网络或蒙特卡罗 dropout 中均不可获得。理论上建立了收敛保证，四个性质在Lean 4证明助手中得到形式化验证。在三个真实任务中，该框架揭示了集成方法不可见的可操作结构。在达莱-德赫尔堡铜氯硼酰胺数据集中，催化剂选择稳健（$D_{\mathrm{catalyst}}\approx 71$），而添加剂选择脆弱（$D_{\mathrm{additive}}\approx 179$，为 $2.5\times$ 较高）。在片段基分子设计中，链位置最敏感（$D_{\mathrm{linker}}\approx 28$），装饰位置最稳健（$D\approx 14$-$18$），颠覆了传统的骨架稳健/装饰脆弱假设。在萨奇生物信号网络中，MAPK级联边和PKA/PKC枢纽边分为不同的敏感性区间，为扰动实验提供了针对性图谱。在主导步骤上，校准覆盖率在95%水平达到0.97-1.00；替代模型在毫秒级评估10,000个政策样本——速度快了 $10^{3}$-$10^{4}\times$ 相对于彻底重新训练。