机械场网络：面向多元系统的结构化神经动力学
MF-Net是一种递归动力学模型，将所有变量表示在共享的场状态中，并通过学习的关系律更新状态。该模型在已知定律相互作用系统、混沌基准测试、真实神经记录和生态时间序列中实现了有竞争力的短期和中期预测，同时保留了可检查的结构化读出。在40维Lorenz-96测试平台上，八步R²达到0.798±0.018，关系矩阵以19.80±1.00的局部/非局部强度比和1.000±0.000的Precision@K恢复局部耦合支持。
在许多科学和工程领域，多元动力学系统的观测往往仅限于轨迹数据，而隐藏在这些轨迹背后的相互作用机制则难以直接获取。传统方法要么预设固定的交互结构，要么在学习的动力学中隐式保留结构，但前者缺乏灵活性，后者则难以解释。由Cui Xingji提出的机械场网络（MF-Net）提供了一种新的解决方案。该模型的核心思想是将所有变量表示在一个共享的场状态中，每个变量携带一个场分量，并通过一个可学习的机械转换来共同演化这些分量。这里的“机械”指的是转换的关系到运动组织方式：学习到的关系塑造了状态依赖的流、场响应和运动趋势，从而推动场状态向前发展。这一设计使得结构化信息成为滚动过程本身的一部分，同一组内部状态既支持预测任务，也支持结构化的关系读出。
在实验中，MF-Net在已知定律的相互作用系统、混沌基准测试、真实神经记录和生态时间序列等多个任务上进行了评估。特别地，在40维Lorenz-96混沌系统中，MF-Net在八步预测上达到了0.798±0.018的R²值。更重要的是，它学习得到的关系矩阵能够高精度地恢复系统的局部耦合结构：在五个随机种子下，局部与非局部连接强度比为19.80±1.00，且Precision@K达到1.000±0.000。这表明MF-Net不仅预测性能优异，还能提供可检查的结构性读出，将学习到的关系解释为功能性的预测耦合。
该模型为多元时间序列分析提供了一个结构可读的动力学建模框架。通过前向演化训练，MF-Net能够在适当的观测限制下，从真实数据中揭示潜在的交互结构。这一方法有望在神经科学、气候建模、生态学等领域发挥重要作用，特别是在那些需要同时进行预测和结构发现的场景中。