实际问题
符合物理直觉的预测未必更准确。公平比较需要分清模型本身的表现，以及共用后处理带来的效果。
我的贡献
- 主导评测问题和结论范围的取舍。
- 借助 AI 完成实现，检查各协议下的报告与比较结果。
工作方式：产品主导，AI 辅助实现，逐步检查与迭代。
关键选择与取舍
01
给基线相同的后处理
- 选择
- 在相同平滑和单调投影条件下比较 PINN 与 LSTM。
- 代价与取舍
- 匹配后的真实数据结果没有体现 PINN 独有的单调性优势，且 PINN 的 RMSE 更差。
- 如何检查
- 主张与证据对照表分别链接同电芯、留出电芯和扰动实验报告。
这项工作说明了什么
仓库保留了一项有价值的负结果：预测的单调性可以来自共用后处理，而模型之间的预测误差仍有差异。
查看原始依据
当前边界
- 合成数据上的稳健性结果不能宣传为真实世界的安全保证。
- 公开扰动实验不证明结果对不同训练种子稳定，也不构成功能安全认证。