机制学习：原型锚定的科学预测机制推断
机器学习
2026-05-19 v1
摘要
科学预测通常依赖直接状态预测，这种方法在数据稀缺、预测时域延长、非平稳动力学或高维复杂性情况下变得脆弱。尽管原始状态轨迹在这些情形下极其敏感，但潜在的局部演化规则往往表现出鲁棒的可复用性。我们引入机制学习（mechanism learning）框架，通过估计算前激活的局部机制来预测未来状态。该方法将局部时空片段压缩为机制描述符，形成一个数据驱动的、结构化的机制空间，其中相近性反映相似的局部演化规则。为将这些估计锚定在观测数据上，我们利用原型锚点（prototype anchors），即一组代表性机制，稀疏覆盖局部规则的空间。我们在 Burgers 动力学、WeatherBench2 和 Lorenz96 上进行评估。经验上，所学机制空间抗坍缩且保持强大的局部一致性。与直接预测和其他模型（包括 FNO、NODE、LSTM 和储存回路方法）相比，我们的方法在脆弱情形下实现了预测性提升：在 Burgers 动力学中显著提高了切换稳定性，在稀缺数据固定时域 WeatherBench2 协议下实现了最佳性能，并在中等复杂度的 Lorenz96 上取得优异成绩。消融研究和漂移诊断确认，这些改进是由有限的原型锚定而非纯粹的潜在容量驱动的。总之，这些结果确立了机制学习作为复杂系统预测中直接状态预测的原则性、稳健的替代方案。
引用
@article{arxiv.2605.17091,
title = {Mechanism Learning: Prototype-Anchored Mechanism Inference for Scientific Forecasting},
author = {Qian Jiang and Liping Sun},
journal= {arXiv preprint arXiv:2605.17091},
year = {2026}
}