FIDE：纤维信息可微实验设计，优化基准保持下的动力学法则

在科学实验中，聚合测量往往无法唯一确定演化中的群体法则，不同的测量系统可能同样适用于某一科学任务，却约束了法则的不同方面。如何在这种残余设计自由度下做出选择？论文《FIDE: Fiber-Informed Differentiable Experimental Design for Reference-Relative Law Dynamics》提出了一种新方法——纤维信息可微实验设计（FIDE），为基准保持场景下的实验设计提供了条件最小修正原则。

问题背景：聚合测量的不充分性与设计自由度

在许多科学领域，我们只能获得聚合测量数据（如种群平均值），而无法直接观测个体行为。这些聚合测量通常不足以唯一确定潜在的动力学法则，导致多种法则都能同样好地拟合数据。这种现象被称为“残余设计自由度”。

论文指出，不同的测量系统可能同样适用于某一科学任务，但它们约束了法则的不同方面。例如，在传感器选择中，不同的传感器组合可能都提供足够的信息来完成预测任务，但它们对系统行为的约束方式不同。

在基准保持（baseline-preserving）设定下，我们有一个现有的动力学模型作为工作基准，该模型在任务明确关注的量之外仍然有效。目标是设计实验（如选择测量方式）以最小化对基准模型的修正，同时完成科学任务。

信息投影（Information Projection） 是信息几何中的核心概念，指在给定约束下寻找与参考分布“最接近”的分布，通常以KL散度作为距离度量。在FIDE的语境中，信息投影被用来将每个候选设计所产生的聚合约束“补全”为一条完整的动力学路径：以冻结的基准模型为参考，在满足观测约束的所有可能路径中，选取相对于基准修正最小的那一条。这一操作本质上是在约束流形上做正交投影，使得不同设计之间的比较具有统一的基准。信息投影的可微性依赖于对约束优化问题的一阶最优性条件进行隐式微分，从而将投影结果对设计参数的梯度反向传播，这正是FIDE能够进行梯度优化的数学基础。

FIDE方法：信息投影与最小修正原则

FIDE的核心思想是通过信息投影来补全每个候选设计的聚合约束。具体来说，对于每个候选设计，FIDE相对于一个共同的冻结参考（即基准模型）进行信息投影，得到完整的路径。然后，根据实现这些完整路径所需的动力学修正量对科学上足够的设计进行排序。

论文定义了一个称为“Full action”的度量，即实现完整路径所需的最小均方速度修正。等价地，其平方根是梯度归一化Sobolev类上尖锐的参考相对期望率差异。这一定义形成了一个条件最小修正原则，用于基准保持设计，而非通用的真值恢复目标。

FIDE的计算过程是可微的，允许基于梯度的方法进行优化。实验表明，该方法对于32维配置法则仍然计算上可用。

Sobolev类与梯度归一化 是理解Full action度量的关键背景。Sobolev空间是一类要求函数本身及其（弱）导数均属于某Lebesgue空间的函数空间，其范数同时惩罚函数值的大小和变化率。在FIDE中，Full action的平方根被解释为“梯度归一化Sobolev类上的尖锐参考相对期望率差异”，这意味着度量对象不是路径本身的欧氏距离，而是以速度场（即时间导数）的均方大小来衡量的修正代价。梯度归一化则是对速度场按梯度尺度进行加权，使得不同量纲或不同敏感度的状态分量在修正代价中具有可比性。这种构造使Full action对“修正的剧烈程度”敏感，而非仅对端点差异敏感，从而更贴合动力学法则修正的物理直觉。

实验发现：偏好改变与预测影响

论文通过实验展示了FIDE的几个关键发现：

• 传感器选择的变化：FIDE的偏好改变了传感器选择。与传统方法不同，FIDE倾向于选择那些对基准模型修正最小的设计。
• 对下游预测的影响：根据基准可靠性的不同，FIDE可能有助于或损害 withheld 下游预测。当基准模型可靠时，FIDE能提升预测性能；当基准模型不可靠时，可能产生负面影响。
• 前瞻性使用：FIDE可以从聚合预测中前瞻性地使用，即在没有真实数据的情况下进行设计选择。
• 计算可行性：对于32维配置法则，FIDE在计算上仍然可行。

这些发现强调了基准保持设计中的条件最小修正原则与通用真值恢复目标之间的差异。

留出下游预测（withheld downstream prediction） 指在实验设计阶段故意不使用的部分预测任务或数据，用于事后评估设计选择对未见预测目标的影响。在FIDE的实验中，设计阶段仅依据聚合测量与基准模型进行传感器选择，而留出的下游预测则检验所选传感器组合在新预测任务上的泛化表现。这一评估范式区分了“设计时可见的信息”与“设计后检验的目标”，避免设计过程直接优化评估指标而造成乐观偏差。FIDE的发现表明，当基准模型可靠时，最小修正原则所选的设计在留出预测上表现更好；而当基准不可靠时，该原则可能系统性地偏向与基准一致的错误方向，导致留出预测性能下降。

意义与展望

FIDE为实验设计提供了一种新的视角：在基准保持场景下，我们不应追求恢复“真实”法则，而应追求在现有基准基础上进行最小修正。这种原则更符合实际科学工作流程，其中基准模型往往是可靠的起点。

该方法在传感器选择、实验优化等领域具有潜在应用价值。未来工作可以进一步探索FIDE在不同领域的适用性，以及如何处理基准模型不可靠的情况。

论文的代码和更多细节尚未公开，但这一方法为可微实验设计开辟了新的方向。