When a neural surrogate cannot accelerate a solver: runtime share, closed-loop drift, and the economics of uncertainty gating in a stiff coupled simulation¶

作者: L. Thümmler, T. Kuroda
主题: 统计计算 / 算法
相关性: 6/10
链接: https://arxiv.org/abs/2608.23075

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：在耦合多物理模拟中，用一个学习到的代理模型（神经网络）替换一个昂贵的内部求解器模块，能否真正加速端到端的模拟？ 这个子方向的核心张力在于：离线（offline）的代理模型精度（如 R² > 0.99）和每调用加速比（如 10-100×）通常非常亮眼，但这些指标与在线（online）部署后的实际墙钟加速之间，存在系统性的鸿沟。当前该方向的成熟度较低——大量论文报告了正面的离线结果，但端到端、同保真度（same-fidelity）的墙钟加速证据极少，且存在显著的发表偏倚（publication bias）和基线选择偏倚（baseline selection bias）。

发展脉络（history）¶

奠基工作：代理模型加速科学计算的思路可追溯到 Amdahl (1967) 的经典定律，它给出了任何部分加速的端到端上限。Raissi et al. (2019) 提出的物理信息神经网络（PINNs）将控制方程嵌入损失函数，而非拟合求解器的输入-输出对，为代理模型提供了架构上不同的替代方案。

主要进展：该方向随后分化为几条子线索。第一条是纯替代（pure replacement），即用网络直接替换求解器。Dieselhorst et al. (2021) 用网络学习相对论流体力学中的守恒-原始变量反演（一个少数成本的内部求根问题），报告“超过一个数量级”的每调用加速，但未给出该反演在总运行时间中的占比或端到端墙钟。Fan et al. (2022) 在低马赫恒星流体力学代码中用网络替代刚性核反应积分器，该反应模块占总运行时间的 59.5%，代理将其降至 29.4%，反应内核加速 3.14-3.45 倍，但同样未报告完整模拟的端到端墙钟。Zhang et al. (2025) 明确声明其报告的加速因子是保守的每调用估计，真实加速基线仍有待建立。

第二条是混合方案（hybrid schemes），即用学习项校正粗化求解器。Kochkov et al. (2021) 报告高达 80× 的加速，但这是相对于粗分辨率经典基线，而非同保真度基线。Um et al. (2020) 的“求解器在环”（Solver-in-the-Loop）方法将求解器集成到训练循环中，提高了稳定性。

第三条是门控（gating），即用不确定性检测器将可疑单元回退到精确求解器。这是本文的核心关注点之一。

当前 frontier 与本文的位置：McGreivy & Hakim (2024) 对机器学习求解流体 PDE 的文献进行了系统性综述，发现 79% 声称优于标准数值方法的文章与弱基线比较，且存在结果报告偏倚和发表偏倚，压制了负面结果。本文是直接回应这一发现的：其基线是生产求解器在同保真度下的端到端比较，结果是负面的。本文识别出三个结构性障碍（运行时占比、离线-在线性能鸿沟、门控经济学），并提供了可转移的预部署检查清单。

子线索聚类¶

纯替代（Pure Replacement）：用网络直接替换求解器。代表：Dieselhorst et al. (2021), Fan et al. (2022), Zhang et al. (2025)。核心挑战：离线精度无法预测在线稳定性，且 Amdahl 定律限制严格。
混合/校正方案（Hybrid/Correction Schemes）：用学习项校正粗化求解器。代表：Kochkov et al. (2021), Um et al. (2020)。核心挑战：加速比通常相对于弱基线，且保真度与加速之间存在权衡。
门控（Gating）：用不确定性检测器将可疑单元回退到精确求解器。代表：本文。核心挑战：门控本身有成本，且当循环离开训练分布时，正确检测反而导致几乎全部回退，无法加速。
非替代加速（Non-replacement Acceleration）：加速精确求解器本身，而非替换它。代表：Laiu et al. (2020) 用无雅可比、GPU 批处理、Anderson 加速的定点求解替代稠密雅可比牛顿迭代，报告高达 100× 加速。这是本文认为的“可信路线”。

这个方向在追问的核心问题¶

Amdahl 定律的约束：目标模块的运行时占比是多少？这个占比决定了任何代理的加速上限，但文献中极少被测量和报告。
离线-在线性能鸿沟：离线精度（如 R²、MAE）能否预测在线闭环稳定性？如果不能，如何选择代理模型？
门控的经济学：不确定性门控的盈亏平衡回退率是多少？实际回退率由什么决定（代理质量 vs. 物理漂移）？
稳定性与保真度的分离：一个不崩溃的闭环运行是否意味着轨迹保真？定向偏差（directed bias）与方差驱动发散（variance-driven divergence）的区分对补救措施有何影响？

⚠️ 作者的 framing¶

作者将缺口 frame 成：文献中报告的代理模型加速大多基于每调用成本或弱基线，而端到端、同保真度的墙钟测量几乎不存在，且三个结构性障碍（运行时占比、离线-在线鸿沟、门控经济学）被系统性忽视。作者将本文定位为“受控的端到端负面结果”，并强调其方法论贡献（预部署检查清单）比具体结果更可转移。

被淡化或回避的竞争路线： - PINNs 和神经 ODE（Raissi et al., 2019）：作者仅在一句话中提及，称其为“架构上不同的替代方案”，并声明“不知道有应用于中微子-物质耦合的具体案例”。这回避了 PINNs 是否可能通过嵌入物理方程来避免本文遇到的 covariate shift 问题。 - 学习预条件子（Li et al., 2023; Trifonov et al., 2024）：作者将其归类为“相关的非替代方向”，但未深入讨论其与纯替代的优劣比较。 - GPU 加速精确求解器（Laiu et al., 2020）：作者承认这是“可信路线”，但将其视为与代理模型正交的方向，未讨论两者结合的可能性。

什么明显该被引/该存在、却没出现在 intro 里？ - 作者引用了 Ross, Gordon & Bagnell (2011) 的 DAgger 算法（模仿学习中的数据集聚合），但未引用更近期的、针对物理模拟的 DAgger 变体或相关在线学习工作。这可能是因为该方向在物理模拟中的应用仍不成熟。 - 作者未引用任何关于“神经算子”（Neural Operator, 如 Fourier Neural Operator, DeepONet）的工作。这些方法旨在学习函数空间之间的映射，可能对本文的 state-in/state-out 问题有不同处理方式。这是一个值得研究者去查的 gap：神经算子是否比 MLP 更能泛化到 off-manifold 状态？

张力¶

未见明显对立引用。所有被引工作基本一致地指向：离线精度高 ≠ 在线加速，且端到端测量稀缺。McGreivy & Hakim (2024) 的综述与本文的负面结果高度一致，形成了相互支持的证据链。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - 物理量： - ρ: 静止质量密度 (rest-mass density) - s: 比熵 (specific entropy)，记录为等效温度 T - Y_e: 电子分数 (electron fraction) - τ: 守恒能量 (conserved energy) - m_1: 动量 (momentum) - QSNO: 入射辐射矩 (incoming radiation moments)，维度为 (20 能量组 × 4 四动量分量 × 3 中微子种类) - QSNN: 出射辐射矩 (outgoing radiation moments) - 时间与空间： - t_pb: 核心反弹后的时间 (time after core bounce) - Δt: 时间步长 (time step) - N: 网格单元数 (number of grid cells) - n: 时间步数 (number of time steps) - 计算与性能： - f: 目标模块在关键路径墙钟中的占比 (share of critical-rank wall clock) - r = t_nn / t_solver: 代理模型与求解器的每单元调用成本比 (per-call cost ratio) - g = t_gate / t_solver: 门控与求解器的每单元调用成本比 (gate cost ratio) - d: 门控回退到精确求解器的单元比例 (deferral fraction) - S(d): 端到端加速比 (end-to-end speedup) - 统计量： - R²: 决定系数 (coefficient of determination) - MAE: 平均绝对误差 (mean absolute error) - |bias|/MAE: 定向偏差与 MAE 的比值，衡量误差的系统性

模型： - 数据生成机制：一个一维广义相对论辐射流体力学代码，在每个网格单元、每个时间步，通过一个内隐牛顿迭代（NeuMatIntImplicit）求解中微子辐射与物质之间的刚性耦合。该映射是每单元、状态进/状态出的：输入是耦合前的状态（ρ, s, Y_e, Δt, τ, m_1, QSNO），输出是耦合后的状态（QSNN, Y'_e, τ', m'_1）。 - 代理模型：一个残差多层感知机（Residual MLP），输入经过 log10(ρ, T, Δt) 变换、宽动态范围辐射和物质动量的有符号对数变换、以及逐特征的 z-score 标准化；网络预测同一变换空间中的残差，电子分数直接预测。训练使用 Adam 优化器，损失函数为 MSE。 - 已知/未知：物理方程（爱因斯坦场方程、辐射流体力学方程）是已知的，但求解器是昂贵的黑箱。代理模型试图学习这个黑箱的输入-输出映射。

可观测数据： - 可观测：研究者可以观测到每个收敛的求解器调用的输入和输出（493 个双精度值）。这些数据被记录并用于训练代理模型。训练集包含 274 万条记录（覆盖坍缩到核心反弹），独立测试集包含 430 万条记录（来自不同数值轨迹的全分辨率运行）。 - 想要但观测不到：代理模型在闭环中的行为——即当它的输出成为下一步的输入时，误差如何累积。这是无法从离线数据中直接观测的，只能通过实际部署来测量。此外，代理模型访问的off-manifold 状态（即远离训练数据流形的状态）也是无法从训练数据中预先知道的。

第二步：讲最小内核¶

本文的核心数学困难可以浓缩为一个最小问题：

给定一个状态-状态映射 F: x -> y（由昂贵的隐式牛顿求解器定义），训练一个神经网络 F_θ 来近似它。在闭环中，F_θ 的输出 y_t 成为下一步的输入 x_{t+1} = y_t。问题是：即使 F_θ 在离线测试集上有很高的逐点精度（如 R² ≈ 0.98），为什么它在闭环中会迅速崩溃，并且为什么任何试图修复它的门控机制都无法带来加速？

最简特例：考虑一个一维、线性、无噪声的简化版本。假设真实映射是 y = α x，其中 α 是未知常数。我们训练一个线性模型 F_θ(x) = θ x 来最小化 MSE。在离线测试集上，如果数据覆盖了 x 的某个范围，θ 可以非常接近 α，R² 接近 1。

现在考虑闭环：x_{t+1} = θ x_t。这是一个一阶线性递归。其解为 x_t = θ^t x_0。 - 如果 |θ| < 1，状态指数衰减到 0。 - 如果 |θ| > 1，状态指数爆炸。 - 只有当 θ = α 且 |α| = 1 时，状态才保持稳定。

关键洞察：即使 θ 与 α 的误差非常小（例如 θ = α + ε，其中 ε 很小），闭环行为也由 θ 的模决定，而不是由逐点误差 |θ x - α x| 决定。如果 |α| = 1 但 |θ| > 1，那么即使 ε 很小，状态也会指数爆炸。逐点精度无法保证闭环稳定性。

本文的推广：本文的物理映射 F 是非线性的、高维的，但核心机制相同。代理模型 F_θ 的误差不是零均值的随机噪声，而是定向偏差（directed bias）。这个偏差在闭环中弹道式累积（ballistically accumulates），即线性地随时间步数增长，而不是方差驱动的指数增长。这导致状态逐渐漂移出训练数据流形（covariate shift）。一旦离开流形，代理模型的精度急剧下降，进一步加速漂移。任何正确的不确定性门控都会检测到这些 off-manifold 状态，并将几乎所有单元回退到精确求解器，从而无法实现加速。

本文的关键想法：要解决这个问题，不能仅仅提高离线精度或使用方差驱动的正则化（如噪声注入）。需要针对定向偏差的补救措施，例如： 1. 预测可学习的量，推导其余量：当目标增量低于可实现的回归误差时（如守恒能量 τ 的增量在 59% 的步骤中为位精确零），不要回归它，而是通过精确的代数关系从可学习的量（如 Y_e 和熵）中推导出来。 2. 雅可比收缩性（Jacobian contractivity）：惩罚映射 F_θ 关于反馈变量的雅可比矩阵的范数，以约束其对自身输出的响应。 3. 时间尺度缩放（timescale rescaling）：利用定向偏差有固定绝对下限而物理变化随步长缩小的特性，通过预测物理时间尺度上的变化来减小每步偏差。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在广义相对论辐射流体力学代码中，用神经网络代理替换最昂贵的每调用物理例程（中微子-物质耦合隐式求解器），能否实现端到端加速？
核心工具/方法：通过受控的端到端实验，结合运行时剖析（exclusive self-time profiling）、离线精度分析、闭环稳定性测试、不确定性门控经济学建模（封闭形式盈亏平衡公式）、以及定向偏差诊断，识别出三个结构性障碍。
主要结论：没有一种配置能加速模拟。目标模块仅占关键路径墙钟的 16.9%，将任何代理的加速上限限制在约 1.2×；离线精度无法选择部署模型（跨 14 个网络的 pooled Spearman 相关性是组间混杂，控制后消失）；正确的不确定性门控必须回退 96.8-99.7% 的单元，导致 0.94-0.96× 的减速；不崩溃的门控运行仍会累积 -19.9% 的线性密度偏差。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

目标模块：NeuMatIntImplicit，一个每单元、状态进/状态出的隐式牛顿迭代，求解中微子辐射与物质之间的刚性耦合。其接口无空间模板、无时间历史，是代理模型最有利的结构。
代理模型：残差 MLP，宽度 512，3 个残差块（180 万参数）。输入经过 log10 变换、有符号对数变换和 z-score 标准化。训练使用 Adam，初始学习率 1e-3，batch size 8192，90/10 训练/验证分割（在连续数据窗口级别，而非单个记录级别，以避免近重复泄漏）。
评估协议：
闭环替代测试：在流体力学循环中直接用网络调用替换求解器调用，运行全新的坍缩模拟。崩溃标准是宿主代码自身的物理守卫（状态方程范围检查、因果性检查）。
身份消融（Identity Ablation）：选择性地将网络输出替换为恒等映射，以隔离哪个预测通道导致失败。
计时方法：匹配窗口（matched-window），使用独占自时间计时器（exclusive self-time timers），并验证分解求和误差在 0.2% 以内。
种子协议：每个配置重训练 5 次或更多次，仅改变随机种子（权重初始化和洗牌顺序），报告分布和秩检验。
关键假设：
替代测试，而非耦合训练测试：代理模型离线训练并冻结部署。
崩溃标准是物理有意义的：宿主代码的守卫确保崩溃对应物理违反，而非数值便利。
计时分解是有效的：独占计时器确保每个例程只被收取其自身时间，嵌套计时器被正确排除。
相比已有文献的放宽或强化：
强化：基线是生产求解器在同保真度下的端到端比较，而非弱基线或每调用比较。结果报告了负面结果，直接回应了 McGreivy & Hakim (2024) 发现的发表偏倚。
放宽：本文仅测试了一个代码、一个前身星、一个节点配置。作者明确声明运行时占比是该代码和配置的属性，不推广到生产规模。

主要结果¶

理论型结果：本文的核心理论贡献是门控经济学的封闭形式。

定理（盈亏平衡回退率）：给定目标模块的运行时占比 f，代理模型成本比 r，门控成本比 g，端到端加速比 S(d) 由公式 (1) 给出。门控盈亏平衡（S=1）的回退率 d_break 由公式 (2) 给出： d_break = (1 - g - r) / (1 - r) 直觉：d_break 独立于 f——运行时占比设定门控能赢或输多少，而非是否赢。门控在 g > 1 - r 时永远无法摊销。 必要条件：门控成本 g 和代理成本 r 必须在部署的构建和调用上下文中原位测量，而非在独立微基准测试中（后者可能低估成本 12.7 倍）。 解决的技术难点：将门控经济学从运行时占比中解耦，并给出一个可在构建门控前评估的简单公式。

应用/方法型结果：本文的核心量化结论是三个结构性障碍的实证测量。

运行时占比障碍：
- 目标模块 NeuMatIntImplicit 在关键路径墙钟中仅占 16.9%（反弹后），将任何代理的加速上限限制在约 1.2×。
- 一个每调用便宜 5.8 倍的代理仅与求解器持平（0.296 vs 0.318 秒/步，p=0.41）。
- 负载不均衡是更大的杠杆（1.13-1.40× 的潜在加速），但这不是机器学习问题。
离线-在线性能鸿沟：
- 跨 14 个独立训练的网络，离线误差（一步 MAE）与闭环存活步数的 pooled Spearman 相关性为 ρ = +0.73（p=0.003），方向与直觉相反。
- 控制网络家族（窄域 vs. 广域）后，偏秩相关崩溃为 ρ = -0.04（p=0.89）。离线误差在选择部署模型时无可用排名信号。
- 种子方差巨大：同一配置的 5 次重训练，存活步数从 666 到 1862 不等。单次运行比较不可靠。
门控经济学障碍：
- 原位测量的门控成本 g 在三种实现质量下分别为 0.391、0.153、0.016，对应的盈亏平衡回退率 d_break 为 0.53、0.82、0.98。
- 实际测量的回退率 d 为 96.8-99.7%，几乎不随代理质量变化（四倍存活步数差异仅改变 1.6 个百分点）。
- 代入公式，门控循环是 0.94-0.96× 的减速。
- 稳健性：GPU 分析表明，即使将门控成本降至零，由于回退率是结构性约束，加速仍仅为千分之二到三。
稳定性与保真度分离：
- 一个回退 99.88% 单元的门控运行从不崩溃，但在 6000 步后累积了 -19.9% 的线性中心密度偏差（R² > 0.993）。
- 偏差是定向的、弹道式累积的，而非方差驱动的发散。

证明路线与技术技巧¶

整体路线：本文的“证明”是实证性的，但其逻辑结构可概括为 5 步：

建立上限：通过独占自时间剖析，测量目标模块的运行时占比 f，应用 Amdahl 定律得出任何代理的加速上限为 1/(1-f)。关键跳跃：区分“每调用成本”和“运行时占比”，并验证分解求和。
否定离线指标：通过跨 14 个网络的系统比较，证明离线误差无法预测闭环存活。关键跳跃：识别 pooled 相关性是组间混杂，通过偏秩相关控制后消失。
诊断闭环失败机制：通过身份消融和 covariate shift 分析，将失败归因于两个障碍：① 不可学习的目标（守恒能量增量低于回归误差）；② 定向偏差导致的 covariate shift。关键跳跃：将守恒能量从预测目标中移除，通过精确代数关系推导，解决了急性障碍。
分析门控经济学：推导封闭形式的盈亏平衡回退率公式，原位测量门控成本，并证明实际回退率由物理漂移（而非代理质量）决定，且远超盈亏平衡点。关键跳跃：将门控经济学从运行时占比中解耦，并证明回退率对代理质量几乎不变。
分离稳定性与保真度：通过匹配窗口的 gated run 与 solver-only 参考轨迹对比，证明不崩溃不等于轨迹保真，偏差是定向的、弹道式的。关键跳跃：识别偏差的线性增长模式，而非指数增长。

关键跳跃点： - 最吃功夫的引理/测量：独占自时间剖析的验证（分解求和误差 < 0.2%）。没有这个验证，整个 Amdahl 论证就不可靠。作者明确指出了嵌套计时器双倍计数的陷阱。 - 难点卡在哪：门控经济学中，实际回退率 d 几乎不随代理质量变化。这违背了直觉（更好的代理应回退更少）。作者通过直接测量两个质量差异巨大的代理的回退率（98.1% vs. 99.7%）来证明这一点，并指出回退率由“循环离开训练分布的程度”决定，而非代理精度。 - 作者用什么办法绕过去：对于“不可学习的目标”问题，作者没有尝试改进网络架构或损失函数，而是改变了预测目标——不预测守恒能量，而是从可学习的 Y_e 和熵通过精确方程推导。这是一个“改变问题”而非“解决问题”的策略，但非常有效（存活步数从 2 提升到 102）。

技术技巧点名： - 独占自时间计时（Exclusive self-time profiling）：用于准确测量运行时占比，避免嵌套计时器双倍计数。 - 身份消融（Identity ablation）：用于隔离哪个预测通道导致失败，是一种系统性的归因方法。 - 偏秩相关（Partial rank correlation）：用于控制组间混杂，揭示离线误差与存活之间的真实关系（无相关性）。 - 封闭形式盈亏平衡公式（Closed-form break-even formula）：用于在构建门控前评估其可行性。 - 定向偏差诊断（Directed bias diagnosis）：通过 |bias|/MAE 比率量化误差的系统性，并区分其与方差驱动发散。 - 雅可比收缩性惩罚（Jacobian contractivity penalty）：用于约束代理模型对其自身输出的响应，是一种针对定向反馈误差的正则化。 - 时间尺度缩放（Timescale rescaling）：利用定向偏差的固定下限和物理变化随步长缩小的特性，减小每步偏差。

真实例子与应用¶

数据/场景：测试平台是一个一维广义相对论辐射流体力学代码，模拟一个 9.6 太阳质量前身星的引力坍缩。目标模块是每单元、每时间步的中微子-物质耦合隐式求解器。

方法应用： 1. 训练：从一次坍缩模拟中记录 274 万条求解器调用记录（输入+输出），训练一个残差 MLP。 2. 部署：在流体力学循环中，用训练好的网络调用替换求解器调用，运行一次全新的坍缩模拟。 3. 评估：测量存活步数、墙钟时间、轨迹保真度（与纯求解器参考对比）。

结果： - 纯替代：一个每调用便宜 5.8 倍的网络仅与求解器持平（0.96×，p=0.41）。一个更稳定的网络（通过数据集聚合+雅可比收缩性训练）达到中位数 1086 步存活，但仍未完成整个坍缩阶段（53203 步），且其墙钟时间与求解器持平。 - 门控：一个正确的不确定性门控（Mahalanobis 距离）回退 96.8-99.7% 的单元，导致 0.94-0.96× 的减速。即使将门控成本降至零，由于回退率是结构性约束，加速也仅为千分之二到三。 - 保真度：一个从不崩溃的门控运行在 6000 步后累积了 -19.9% 的中心密度偏差，偏差是线性的、定向的。

这个例子想说明什么： - 验证理论：Amdahl 定律的约束是真实的，而非理论上的。运行时占比是硬上限。 - 展示相对 baseline 的优势：本文没有优势，而是展示了负面结果。其价值在于证明了为什么文献中常见的乐观预期（高离线精度 → 在线加速）是错误的，并提供了可转移的诊断工具。 - 揭示机制：闭环失败是由定向偏差驱动的 covariate shift 导致的，而非方差驱动的发散。这解释了为什么噪声注入和 pushforward 损失等标准补救措施无效。

🔎 结论是否比证明窄¶

是。本文的结论非常谨慎，且明确标注了边界：

“所有测量均来自单一代码、单一前身星、单一节点配置”（Sec. 11.3）。作者没有声称结果普遍适用于所有耦合模拟。
“运行时占比是该代码和配置的属性”（Sec. 4.3）。作者没有声称目标模块在所有代码中都占 16.9%。
“负载不均衡估计是一个模型，具有明确的括号假设，而非测量”（Sec. 4.4）。作者区分了测量和模型。
“保真度测试仅覆盖反弹前阶段”（Sec. 9）。作者没有声称偏差在反弹后也保持线性。
“压缩研究基于每臂两次计时运行，因此其成本数据是可靠的，但每臂仅一次稳定性运行”（Sec. 11.3）。作者承认了统计力量的局限性。
“2625 步的单一运行值落在五种子分布之外，应视为有利异常值而非典型值”（Sec. 7）。作者纠正了自己早期的乐观估计。

被泛化 claim 或 conjecture 的地方： - 作者在 Sec. 11.1 中列出了“什么会泛化”，但这是基于其测量结果的推断，而非严格证明。例如，“门控经济学不利”这一结论依赖于 d 几乎不随代理质量变化这一测量，但作者仅测试了两个代理，且 d 的变化范围很小（1.6 个百分点）。在代理质量有数量级提升的情况下，d 是否仍会如此稳定，是一个开放问题。 - 作者在 Sec. 4.6 中的 GPU 分析是“分析性估计，而非测量”。其结论（GPU 不会改变结论）依赖于将门控成本降至零的乐观假设，但未考虑 GPU 可能改变 f（例如，如果求解器在 GPU 上更快，f 可能变化）。

四、开放问题¶

定向偏差的根源是什么？ 本文诊断了定向偏差的存在和影响，但未解释其根本原因。是网络架构（MLP）的归纳偏置？是损失函数（MSE）的特性？还是物理映射本身具有某种不对称性？扎根点：Sec. 10.1 测量了 |bias|/MAE 的稳健性，但未提供理论解释。
在反弹后阶段，门控的保真度如何？ 本文的保真度测试仅覆盖反弹前阶段（6000 步）。在反弹后阶段，物理过程更剧烈，门控的回退率可能不同，偏差的累积模式（线性、加速、饱和）也可能不同。扎根点：Sec. 9 明确声明“该测试是否在反弹后阶段保持线性、加速或饱和，尚未通过此测量确定，仍是一个开放问题”。
是否存在一种代理模型架构或训练策略，能够从根本上减少定向偏差，而不仅仅是延迟其影响？ 本文测试了 MLP、数据集聚合、雅可比收缩性、时间尺度缩放等，但均未消除偏差。PINNs、神经算子（如 FNO、DeepONet）、或基于物理信息的损失函数是否可能更有效？扎根点：Sec. 10.2 显示“约四分之三的定向偏差与任何基于偏移或守恒的校正正交”，暗示需要全新的方法。
负载不均衡与代理模型加速之间的相互作用是什么？ 本文发现负载不均衡是比求解器更大的杠杆，且移除求解器成本后，关键路径会迁移到其他空闲主导的 rank。一个更系统的分析是：在负载不均衡的代码中，代理模型的加速收益是否会被关键路径迁移所吞噬？是否存在一个“Amdahl 定律的负载不均衡版本”？扎根点：Sec. 4.4 描述了关键路径迁移现象，但未深入建模。

提醒：要确认第 1 和第 3 个问题是否是真正的 gap，建议去读近期的神经算子（如 FNO、DeepONet）和 PINNs 在类似刚性耦合问题上的应用论文的 intro。如果它们都声称解决了“泛化到 off-manifold 状态”的问题但缺乏端到端墙钟证据，那么这就是一个共识性的真 gap。如果它们互相打架（例如，一些声称 PINNs 泛化更好，另一些声称神经算子更好），那么这就是一个机会。

Maintained by 陈星宇 · Homepage · Source on GitHub