算法找到的转变路径，能代表系统真正常走的路线吗？
加速采样和路径学习能否同时保持路径覆盖、相对概率与转变速率；对照怎样区分连贯路径、物理可行路径和真实动力学下有统计代表性的路径？
研究对象
选择可精确或高精度求解的二维多路径基准，比较直接模拟与一种公开路径学习/采样方法；按实际取得的数据和代码限定复现范围。
为什么值得做
在前沿方法与机制解释之间补上验证。拟核多路径漏采、权重、时间步和有限样本偏差，以计算资源相近的对照评价加速与正确性，不只展示路径图。
待比较的机制
- 采样及权重在限定条件下正确，路径概率与速率可回到无偏基准
- 模型能找到可行路径却漏掉竞争路径，路径图并不代表真实路径比例
- 有限样本、重加权或时间离散偏差导致速率和置信范围失真
与父库的分界
专题第6篇，承接T112的坐标问题；T112比较状态信息是否足够，本题核采样过程是否保留完整路径统计。T39的实证路径与T108的模型预测不直接作算法正确性证据。父库有效理论/因果推断提供验证背景；大型分子案例不冒充本库已完整复现的结果。
证据入口
- Understanding Mechanisms of Molecular Rare Events from Start to Finish
2026 · 原始路径采样方法研究，2026-04-24发表；已核期刊题录与摘要。迭代采样、重加权和转变概率学习在二维势能基准及分子体系展示；拟从有可靠对照的二维基准切入，尚未审全文、代码或执行复现。 · 摘要或题录入口已核
- Iterative variational learning of committor-consistent transition pathways using artificial neural networks
2025 · 原始方法研究；已核出版方检索题录与摘要，直接正文页面访问未成功。用转变概率及一致路径研究多种动力学与竞争路径；开题优先核公开势能基准，全文、附件、代码与版本待取得。 · 摘要或题录入口已核
入口初筛 2026-10-08；课题尚未完成时，这些材料不代表已有研究结论。