看似合理的预测，却有不可能的总量
AI 模型替代模拟器的一部分：输入过程状态，预测某种物质如何分布。单独看，每个值似乎合理；相加却发现原本只有十千克、且没有外部流入的系统，出现了十二千克。这不只是预测不准，还违反了已知信息。能否不重新训练就修正？总量正确之后，是否就可以认为预测正确？
本文通过三个隔室和一个质量约束回答问题。我们推导最小修正，说明它为何可能产生负质量，再加入第二个约束避免负值。随后区分真正的数学保证与两件不能承诺的事：知道真实分布，以及修复错误的初始总量。所有数字都是 Python 计算的合成数据；我们没有训练网络、模拟流体或验证 EL-AI 工厂。
我们到底知道系统什么信息
考虑一种物质分布在三个控制体内。直接使用千克质量，而非浓度：x₁、x₂、x₃ 是待预测量。系统对该物质封闭，没有源项、生成或消耗它的反应、泄漏或外部通量。已知总质量 M = 10 kg。我们并不是声称所有过程中的每种物质都分别守恒；这是假设，用来定义本例。如果存在流入或流出，就必须按相应收支更新总量。
最小化平均数据误差的网络，可能学会很多关系，却不能对每个新输入都精确满足总和。软约束向训练目标加入惩罚，硬约束则只允许满足等式的输出。这是两种不同目标。很大的惩罚仍可能留下残差，因为它要与其他目标及不完美的数值优化共同作用。
最小修正具有精确定义
原始预测记为 y = [8, 3, 1] kg，总和为十二，多出两千克。可以全从第一隔室扣除，也可以分摊。要选择，就得定义“尽量少改”是什么意思。这里最小化三个修正量的平方和，对任意隔室的一千克变化一视同仁。这是度量选择，不是物理定律。
这叫投影：按选定距离寻找离预测最近的可行点。先只约束总和，稍后再处理非负性。引入乘子 λ，构造 L = ½Σᵢ(xᵢ − yᵢ)² + λ(Σᵢxᵢ − M)。最小值处对每个 xᵢ 的导数为零：xᵢ − yᵢ + λ = 0。因此各隔室修正量相同，再用总和约束确定其大小。
得到 x = [22/3, 7/3, 1/3] kg，约为 [7.3333, 2.3333, 0.3333]。在脚本的有理数算术中，总量精确为十。若全从第一隔室扣除，得到 [6,3,1]，修正平方和为 4 kg²；均匀分摊只需 4/3 kg²，因此投影选择后者。目标严格凸、约束仿射，所以最小解唯一，不依赖随机搜索或局部最小值。
有用的保证，却不同于知道真相
如果真实分布恰好是 t = [6,3,1]，只修正第一隔室就完全正确，而投影并不正确。守恒律没有告诉我们错误在哪里。但它确实保证：如果 t 满足正确总量，欧氏投影不会增加到 t 的总平方距离。无需知道三个真实值，也能证明这一点。
双竖线表示欧氏距离，其平方为误差平方和。向量 y − x 的所有分量均为 λ，而 x − t 的和为零，因为二者总量都为 M。因此它们内积为零，展开平方后的交叉项消失。A 中对 t 的误差从 4 降至 8/3 kg²。原本精确的两个隔室反而改变了：改善针对总误差，而不是每个分量。
再看 y = [8,1,1]。总和已经为十，因此修正为零；相对于 t = [6,3,1]，仍有 8 kg² 误差。模型可以完全守恒，却严重分配错误。守恒是本系统的必要条件，不是完整准确性指标，也不能保证未建模的转移时间、局部通量、能量或反应。
总量对了，却出现负质量
B 中预测为 y = [−1,4,9] kg。每项减去 2/3 得 [−5/3,10/3,25/3]，总量为十，但第一项更负了。随后把负值截为零，总和变成 35/3，约 11.6667 kg，破坏刚刚满足的约束。总和与非负性需要同时满足，而不是用不相容操作先后修补。
θ 是待求的公共阈值，单位为 kg。足够大的隔室各扣除 θ；会变成负值的隔室停在零。B 中第一项置零，其他两项必须合计十：(4 − θ) + (9 − θ) = 10，因此 θ = 1.5 kg，x = [0, 2.5, 7.5]，两个条件同时满足。
max 形式并非未经证明的直觉。最优性条件为每个 xᵢ ≥ 0 引入非负乘子 μᵢ。驻点条件为 xᵢ − yᵢ + θ − μᵢ = 0，互补条件为 μᵢxᵢ = 0。若 xᵢ 为正，则 μᵢ 为零，xᵢ = yᵢ − θ；若 xᵢ 为零，则 μᵢ = θ − yᵢ 必须非负。两种情况正好组成上述公式。可行集仍为凸集，所以这些条件确定唯一全局最小值。
| 情况 | 预测（kg） | 仅总和（kg） | 总和与非负（kg） |
|---|---|---|---|
| A | [8; 3; 1] | [22/3; 7/3; 1/3] | [22/3; 7/3; 1/3] |
| B | [−1; 4; 9] | [−5/3; 10/3; 25/3] | [0; 2.5; 7.5] |
| C | [8; 1; 1] | [8; 1; 1] | [8; 1; 1] |
度量决定修正分配到哪里
之前平等对待三个误差。若有可靠且相互独立的不确定度 σᵢ²，可改为最小化 ½Σᵢ(xᵢ − yᵢ)²/σᵢ²；修正不确定度高的隔室，比修正已知得更准确的隔室代价低。仅约束总和时，推导得到 xᵢ = yᵢ − σᵢ²(Σⱼyⱼ − M)/Σⱼσⱼ²。对 y = [8,3,1]、假设方差 [4,1,1] kg²，结果为 [20/3,8/3,2/3] kg。这些方差并非数据估计，仅用于展示优化问题如何改变。
距离保证必须使用与投影相同的度量，改变权重后不能直接沿用欧氏结果。不确定度若相关，还需通过协方差矩阵改变问题。从质量改为浓度 cᵢ 时，总量变成 ΣᵢVᵢcᵢ，其中 Vᵢ 单位 m³、cᵢ 单位 kg/m³。对不同体积单元直接相加浓度，会施加错误约束。离散化本身就是公式物理含义的一部分。
错误约束会让好预测变差
取几乎正确的预测 [5.9,3,1.1] kg，合成真值为 [6,3,1]。总和为十，误差平方和为 0.02 kg²。若错误地施加 M = 12，投影给每项加上 2/3 kg，误差升至约 1.3533 kg²。这不违反前面的证明，因为真值不在强制的集合中。有偏测量、遗漏通量或不一致单位，都能让形式保证在数学上精确、物理上错误。
因此，若收支不确定，软惩罚或显式考虑不确定性的形式，可能比任意硬等式更合适。在简化二次修正问题中，向距离目标加入 α/2(Σᵢxᵢ − M)²，会留下残差 (Σᵢyᵢ − M)/(1 + nα)。初始超额 2 kg、n = 3 时，α = 1 留下 0.5 kg，α = 100 留下约 0.00664 kg。这是修正问题的推导，不是 PINN 训练基准，说明惩罚与强制并不相同。
为核查残差，令 r = Σᵢxᵢ − M。求导得到 xᵢ − yᵢ + αr = 0；对 n 个分量求和，得到 r = Σᵢyᵢ − M − nαr，从而得到前述分式。两个目标项单位均为 kg²，所以 α 无量纲。该计算不含非负约束；若需要非负性，惩罚问题也必须加入此约束。
与研究的联系及其局限
Baez 等人的 PINN-Proj 预印本，arXiv v1 日期为 2025 年 11 月 12 日，研究物理信息网络中的积分投影。我们阅读方法与实验：五类微分方程问题、惩罚与投影对比、十次试验平均。守恒与状态精度是不同指标，表格并未显示后者全面获胜，训练成本也增加了。我们未复现该研究，也不把线性证明扩展到其全部二次约束。
PINN 指物理信息神经网络，即训练中也纳入物理方程残差的网络；并非所有代理网络都是 PINN。输出修正可以在预测后执行，也可插入可微训练链，这是不同协议。对固定 M 的仿射约束，投影导数为 I − 11ᵀ/n，消除变化中的均匀分量；I 是单位矩阵，1 是全一向量。非负约束会引入活跃集变化和不可微点，训练集成需要额外选择。
复现与核查：代码计算什么
附件使用精确分数，不依赖外部数值求解器。affine 以 O(n) 成本减去平均超额。simplex 将值降序排列，判断有多少分量保持为正，再由前缀和求 θ；排序主导 O(n log n) 成本。代码逐分量检查最优性条件。M = 0 时返回全零，负总量与非负质量不相容，会被拒绝。向量与排序需 O(n) 存储。
真实应用应检查单位与收支，区分全局和局部守恒，记录测量及离散误差，并在独立案例上比较修正前后的精度。精确满足离散积分，并不代表连续场精确。每个时刻都修正，也不保证时间动力学正确：质量可能在没有合理通量时被移来移去。这是所解问题的边界，不应被完美总量掩盖。
回答最初的问题
可以：只要知道收支并定义可接受修正，就能不重新训练而修正凭空创造质量的预测。投影使选择明确，并在精确假设下对到可行真值的总距离提供保证。但凑齐十千克，并不能说明它们应在哪里。有用结果是与更多已知信息一致的预测，同时单独核查分布与动力学。科学 AI 不仅要问预测多好，还要问哪些性质可证明、基于哪些数据、适用边界在哪。
来源与已运行代码
from experiment import affine, simplex, run
print([str(v) for v in affine([8, 3, 1], 10)])
print([str(v) for v in simplex([-1, 4, 9], 10)])
print(run()['wrong_total'])
代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 10 月 4 日。