面向学习型随机 AI 模拟器的响应理论探针：以 Lorenz-63 为例

论文指出，混沌与随机系统的机器学习模拟器通常以预测技巧和长期统计来验证，但两者都不能证明模拟器对强迫的响应是否正确，而投影与归因研究依赖这一性质。线性响应理论使该性质可检验：强迫响应可由未扰动相关性通过广义涨落-耗散关系得到，并可按 Koopman 生成元的随机 Ruelle-Pollicott 共振分解。作者在 Koopmanism Response 框架基础上将其转化为对学习型代理的校准、模态分辨检验，每次 rollout 对各项检查通过或失败，并与真实系统独立实现的失败率比较；在随机 Lorenz-63 三变量玩具模型上，对 SINDy、MLP、储备池计算机、neural ODE 和带学习扩散的 neural SDE 各评测最多 80 次 rollout。

AI推荐理由 针对机器学习混沌/随机系统模拟器通常只用预测技巧和长期统计验证、无法证明其对强迫响应正确的问题，基于 Koopmanism Response 框架提出校准的模态分辨响应理论检验，并在随机 Lorenz-63 上对 SINDy、MLP、储备池计算机、neural ODE 与带学习扩散的 neural SDE 各做最多 80 次 rollout 评测。方法学贡献明确，但属较窄的科学计算议题，与 AI 产业落地关联有限。