大部分时间没发生什么，转变却很快
一条轨迹可以在一种状态附近徘徊很久，最后用很短的时间到达另一种状态。这里有两件需要解释的事：为什么等待很久，以及一旦成功离开，为什么跨越很快。若把它们都压成“平均转变时间”，一些机制差别便消失了。
还有一个测量问题：从首次进入一种状态开始计时，从观察记录中的某个时刻开始计时，或把每次越过一条线都算作事件，得到的时间可能不同。2025年的原始广义Langevin研究专门比较了不同首次到达计法；2026年的高斯长记忆研究则进一步处理相邻罕见到达之间的关联。12
本篇先固定时钟，再用可解对照解释差别，最后回原始数据检验关联。不是先把非指数分布一律归为记忆，也不从平均寿命推算某个个体将在何时转变。
先把一次事件走完
指定两个态区$A,B$。从进入$A$的时刻$t_A$，一直看到首次进入$B$的时刻$t_B$；中间可能多次离开又回到$A$。把成功到达$B$之前最后离开$A$的时刻记为$t_*$。
$W$包括等待和失败尝试；$T_{\mathrm{path}}$只包括最后那条成功路径。把“非路径等待”画成始终静止在井底也不准确：它可以含已经向外走、后来又返回的过程。
再穿越也至少有两种。路径内越过势垒顶再折回，可以属于同一条成功路径；进入$B$后迅速返回$A$，则是另一次态区间事件。Zhou等人的原文明确分开二者，其模型参数使惯性影响很小，因此那组快速态间返回主要归因于尚未松弛的环境，而不是任意系统都由记忆造成。1
双稳势：很少成功，与成功以后很慢，是不同约束
本库采用无量纲的过阻尼扩散基准：
两个井底在$\pm1$，势垒顶在$0$，高度$1/4$。固定左侧$-2$为反射边界，从$x=-1$开始，目标为$x=0.8$。这些是本库的模型条件，不是实测参数。
平均首次到达时间满足后向方程：
可直接积分得到：
本库另以满足详细平衡的最近邻连续时间链离散扩散，独立算首次到达分布和矩。格距从$0.02$、$0.01$缩到$0.005$，平均值对积分基准的误差约每次降为四分之一；最细网格三组均低于$0.007\%$。
成功路径则使用$A:x\leq-0.8$、$B:x\geq0.8$。计算从刚离开$A$开始、条件为先到$B$而非返回$A$的过程；用该条件过程和独立连续积分核对路径时间。它与从井底首次到$B$有明确的起点、条件差别。
| 噪声强度$D$ | 从井底首次到$B$的平均时间 | 成功路径平均时间 | 两者之比 |
|---|---|---|---|
| 0.04 | 2479.75 | 3.95696 | 约627 |
| 0.07 | 181.284 | 3.13180 | 约58 |
| 0.15 | 27.8687 | 1.99120 | 约14 |
表中平均值用连续积分，离散条件过程的最细网格路径时间误差不超过$0.011\%$。降低噪声，完整到达时间大幅延长，成功路径所用时间变化相对小：主要困难是积累一次成功离开的机会，并非每次成功跨越都按同一比例变慢。
高势垒、态内调整远快于逃逸时，许多失败尝试后的一次成功近似具有恒定机会率，首次到达分布会接近指数。但完整过程是Markov过程，不等于任意起点的首次到达时间都严格指数分布。本库三组的标准差/均值约为$0.9983,0.9818,0.9295$，较低势垒时已经偏离指数分布的1。
常用弱噪声估计$T_{\mathrm K}=2\pi e^{1/(4D)}/\sqrt2$，三组给出2301.47、158.022、23.5228；与积分基准相差约7.2%、12.8%、15.6%。它抓住趋势，不能在这些有限条件下当作精确答案。
换一条终点线，就可能换了计量对象
保持$D=0.07$和同一初态，把目标从$0.8$改成势垒顶$0$，平均首次到达由181.284变为89.1947。到顶之后仍有机会返回，首次到顶与已进入对侧态区不是同一件事。
对非光滑随机轨迹，直接把一次接触之后的下一次接触定义为“第二事件”，还会遇到极短时间内反复触碰的问题。Biswas与Guérin没有这样计数：第一次到达阈值后先等待$\tau_w$，再测量新的首次到达。他们的相关预测要求近阈值短时标$t^*$、过滤等待和稀有到达时标满足$t^*\ll\tau_w\ll T_{\mathrm{RE}}$。2
因此，态区边界、是否要求停留、记录频率和过滤延迟都应写入事件定义。增加过滤时间可以减少快速返回，却也改变被研究的事件集合；不能只保留让结果好看的延迟，再声称得到唯一转变率。
同样平均等100，实际会看到什么
给出三个本库可解对照，平均等待都为100：
- 每时刻机会率相同，等待服从均值100的指数分布。
- 必须依次完成两个阶段，各阶段是均值50的独立指数等待。
- 每次独立选择一种模式：90%概率进入均值10的快模式，10%概率进入均值910的慢模式。
| 机制对照 | 中位数 | 95%分位数 | 标准差/均值 |
|---|---|---|---|
| 单一指数 | 69.31 | 299.57 | 1 |
| 两个串联阶段 | 83.92 | 237.19 | 0.7071 |
| 快慢混合 | 8.09 | 630.76 | 3.9472 |
串联阶段的事件需要先完成准备，因此刚开始的发生机会较低；混合模型的大多数事件很快，少量长等待把平均值拉到100。只知道均值，分不清这些过程。这里的快慢混合最终仍有指数尾部，不能因为存在长时间分量就改称幂律。
用$S(t)=P(W>t)$描述还没有发生的概率，用：
描述已经等到$t$之后的瞬时发生机会率。指数模型的$h$恒定；串联模型由低往高；混合模型则随着快模式先退出，剩余样本越来越偏向慢模式，$h$逐渐降低。不同趋势可以来自阶段结构或样本组成，不必先引入长记忆。
从事件开始等，和在任意时刻开始看，为什么不同
若一个观察者在平稳运行的系统中随机选时刻开始观察，长区间更容易被碰到。记完整间隔为$W$，剩余等待为$R$。相应矩存在、按时间均匀抽样时：
这可直接由长度加权得到：碰到长度$w$区间的机会正比于$w$；进入位置在该区间内均匀，剩余时间的平均值为$w/2$。
上面三组$E[W]$都是100，$E[R]$却分别为100、75、829。两位观察者没有测错，起始抽样不同。平均完整间隔等于平均剩余时间，也不能反推指数分布：80%间隔恰好50、20%恰好300时，这两个均值也都为100，而分布显然不是指数。
Zhou等人的“all-to-first”算法是在同一反应状态的多次经过处启动计时，不是任意时刻取样；它的长时分布变换与上式有相似的长度加权结构，但原文明确报告该映射在最快的再穿越区域会失效。不能把我们的均匀时刻公式直接当作所有轨迹采样算法的精确恒等式。1
原文给出更具体的机制：刚进入新状态时，环境变量未必已经与新状态匹配；环境随后松弛，可能让粒子很快回去。连续轨迹中的等待计法含这些快速返回，而重新初始化并平衡环境的逃逸计法可以主要测到慢过程。其模型采用单指数摩擦记忆和配套热噪声、势垒$3k_BT$，不能把这个比较直接推广到任意记忆核。1
单次分布相同，相邻事件也可能不同
再用快慢混合模型作一个区分性对照。第一种实现每次独立重抽模式。第二种实现让隐藏模式在事件之间保留：快转慢的概率为0.005，慢转快为0.045。两种实现的长期模式比例仍是90%快、10%慢，单事件分布、均值和全部单事件分位数都相同。
区别在相邻时间。独立重抽时，$\operatorname{Cov}(W_n,W_{n+1})=0$；保留模式时，本库解析计算得到：
相邻时间的相关系数约0.4445。模式保留时，前次等待10之后的下一次条件均值约17.30，前次等待100之后则约835.43；独立重抽时，两者都是100。前次时间在提供隐藏状态的信息。
这是本库事件层面的有限状态模型，不是幂律摩擦环境，也不是对下一节真实长记忆过程的拟合。它说明：非指数分布可以没有事件间关联，而相同的单事件分布也可以掩盖关联。要检验历史是否影响后次风险，必须增加联合或条件统计。
回到原始长记忆研究：关联能复算，精度还有边界
Biswas与Guérin研究平稳、非光滑的高斯过程，长时相关按$t^{-\alpha}$衰减，$0<\alpha<1$；事件是首次到达罕见的高阈值。它不是有两个井的系统，却把“前次到达如何关联后次到达”单独落成可计算问题。本文取得其2026年8月修订作者版、附随补充与作者数据存档；出版方全文接口未开放，不混报为已读发表版。23
作者的一阶微扰式给出：
$A$描述相关函数长时尾部，$l^2$是稳态位置方差，$L$是阈值。正关联意味着一次较长等待之后，下一次也更可能长；一次较短等待之后也更可能短。但它是稀有事件、小时标分离与小$\epsilon$下的结果，不能只看正号就宣布一般系统都满足这条数量关系。2
本库从11.45GB存档定点取三个数据文件和七个相关代码文件，没有重新生成长轨迹。读生成代码与Data.m后，按真实列定义计算：第一列是$T$；第四列是从首次事件到下一事件的间隔，还须减去$\tau_w=1$才得到$T_2$。首事件搜索只使用轨迹前半段1600，第二事件搜索可到总时长3200；未到达记录为负数，初始就在阈值之上的零时间另列。3
| 作者存档条件 | 记录数 | 成功记录的平均$T$ | 同一完整事件对的归一化协方差 | 一阶微扰式 |
|---|---|---|---|---|
| $\alpha=0.5$，$m=24$ | 610270 | 160.99 | 0.3429 | 0.3830 |
| $\alpha=0.5$，$m=26$ | 40163 | 140.24 | 0.3612 | 0.4104 |
| $\alpha=0.75$，$m=26$ | 191867 | 244.82 | 0.04292 | 0.03272 |
均使用$L=3.6$、$\tau_w=1$，时间步为$3200/2^m$。表中的经验协方差使用同一批完整事件对的两边均值；作者脚本用全部成功首事件的均值减乘完整对的第二均值，按其原配方复算分别为0.3416、0.3585、0.04202。两个配方不能不加说明地混用。
正关联在三组都出现。$\alpha=0.5,m=26$中，前次时间小于自身均值四分之一的事件，下一次条件均值约为全体第二事件均值的0.726；前次时间为均值3至5倍时，下一次条件均值约1.510倍。
定量边界同样需要留下：$\alpha=0.5$的两组$\epsilon$约0.58、0.62，并不很小；$\alpha=0.75$约0.058，其公式仍低估约0.0102。逐轨迹行重采样的95%区间分别约$[0.3364,0.3505]$、$[0.3287,0.3932]$、$[0.0370,0.0478]$，三组公式值均在对应区间之外。它们只反映行独立假设下的抽样不确定性，不含时间离散、模型近似或未完成事件的系统误差。
更直接的检验是改变记录频率：$\alpha=0.5$从$m=24$到26，时间步缩小4倍，平均首事件时间下降约12.9%，平均第二事件时间下降约15.5%。关联保持正，不等于连续时间的均值已经收敛。我们没有用两个网格点强行外推精确连续极限，也没有替这些余差指定唯一原因。
短记录怎样把长等待丢掉
观察到记录结束仍未发生的事件，是右删失，不是不存在的事件。直接删掉它们会偏向短等待。
本库用已知均值100的指数模型实际生成50万个等待，每个最多观察100。约63.13%在窗口内完成，只平均完成者得到41.86；解析条件均值为41.8023，远低于真实100。若保留未完成事件的暴露时长，在指数假设下用“完成数/总暴露时间”估计速率，得到0.009975，接近真实0.01。
恢复结果依赖指数模型假设。一般分布在有限记录之外的尾部仍不可见；非参数存留估计可以保留删失信息，却不能凭空识别无限久的尾部或完整平均寿命。作者存档三组中，首事件与完整对失效比例均低于0.24%，但它们仍应登记，不能写成零删失。
哪些发现真正能区分解释
| 发现或对照 | 能支持什么 | 还不能支持什么 |
|---|---|---|
| 长等待、短成功路径 | 稀少成功尝试与路径速度分开 | 单一速率已经充分 |
| 非指数等待 | 恒定机会率模型不足 | 已证明存在长记忆 |
| 首次进入与多起点计法不同 | 起点权重或未松弛环境值得核对 | 系统物理速率只有一个“正确均值” |
| 固定边际分布，检验相邻条件统计 | 前次是否携带后次的信息 | 唯一确定隐藏机制 |
| 加密时间采样、保留删失并重复比较 | 事件计量是否稳健 | 已消除所有连续时间与模型误差 |
目前较稳的是时钟与起始抽样的分界、双稳势中的等待/路径时间分离，以及所取作者记录中的正关联。本文整合出的判断是：单一速率适用于已经核对态内调整、事件近似独立、分布近似指数且观察足够长的窗口；否则应保留存留曲线、条件统计和事件定义。
未决部分包括原始高斯过程连续时间的均值极限、微扰公式与存档的定量余差、实验中部分观测与过滤规则带来的偏差。它们限制外推和精度，却不妨碍回答本篇的主问题：长等待、短转变、快速返回和历史关联分别由不同环节控制，平均寿命不能把这些环节合并掉。