检测与区分混合PDE参数学习中的算子误设：一种无参考工具，样本内判别有界
在物理信息机器学习（PIML）领域，一个长期困扰研究者的问题是：当混合偏微分方程（PDE）参数估计器假设的算子不正确时，我们能否仅从一次拟合中检测出来，并进一步将其与参数不可识别性区分开？最新研究提出了一种无需参考（reference-free）的检测工具，仅凭单次拟合即可实现这一目标，为模型验证提供了新思路。
该工具的核心是一个基于信息矩阵的统计量，它利用插件尺度和每种子参数，在正确设定的情况下，其中位数仅为0.19，拒绝率为0.033，远低于预注册的0.10阈值。然而，在两种误设情形下，该统计量分别飙升至224和85，并在所有重复试验中触发警报。更关键的是，在正确设定但参数不可识别的设计中，该统计量保持沉默（n=200时为0.050，Clopper-Pearson置信区间[0.024, 0.090]），而秩统计量则在预注册边界c5*=2.15×10^-3处崩溃为零。因此，通过一次拟合的两种读数，研究者能够在三种设计中区分误设与不可识别性，这正是该工作的核心贡献。
作者强调，检测本身并非新鲜事物，但区分两种失败模式才是关键。在样本内，该工具提供的是界限；在样本外，则指示方向。研究指出，常用的精度检查往往对误设视而不见：误设估计器的域内均方根误差（RMSE）为2.7×10^-2，低于σ≥0.05时的观测噪声，而系数在零噪声时误差达29.7%，在最大噪声时达31.2%。这表明，仅凭预测精度无法捕捉模型错误。
此外，研究排除了架构因素：单参数曲线拟合、裸参数以及49和241参数的多层感知机均收敛到相同的伪真值（闭合形式匹配度达0.07%），而物理信息网络因其复合目标函数，收敛到不同的解。这进一步说明误设是本质性的，而非网络容量不足。
作者还报告了工具的盲区，包括一个预注册的负面结果：在恢复任务中，神经网络估计器败给了Tikhonov正则化反演。同时，他们给出了保证成立但训练网络违反该保证的假设条件。
这项研究为混合PDE参数学习提供了实用的诊断工具，有助于提高模型的可信度，并可能推动PIML在科学计算中的更广泛应用。
