动态系统零样本重建的最小可解释架构

最近用于动力系统（DS）零样本重建的基础模型（FM）实现了强大的域外泛化，但对其预测背后的机制提供了很少的洞察。这种理解有助于将负担过重的 FM 架构剥离到其本质，并暴露 DS 领域上下文学习的最低要求。为了实现这一目标，我们在这里迭代地将最近用于 DS 重建的强大 SOTA 模型 DynaMix (Hemmer & Durstewitz, 2025) 简化为最小的可解释的两参数形式，我们称之为 DynaBase。 DynaBase 通过当前潜在状态和最近的上下文邻居及其时间后继者的线性混合来生成预测。令人惊讶的是，尽管其极其简单，DynaBase 却能够在混沌和循环系统中产生极具竞争力的零样本 DS 重建，并且参数负载可以忽略不计，比其他 FM 低许多数量级。更重要的是，这种极端的简单性允许对 DS 重建测量进行直接模型优化，以及对预测 MSE 进行封闭式一步分析解决方案。 DynaBase 的理论和实证分析进一步得出了一个 1 参数映射族，其中一端恢复了上下文鹦鹉学舌算法（Zhang & Gilpin，2026），另一端恢复了混沌（发散但有界）行为。我们进一步展示了不同的训练策略如何产生最适合短期预测或 DS 重建的模型。因此，DynaBase 不仅公开了产生零样本 DS 重建所需的最小机制，而且还在可访问的数学框架内协调了文献中的不同观察结果。