可调元件很多，为什么仍然学不会某些任务？
固定物理约束和输入输出后，可调参数数量、位置与独立响应方向怎样限制多任务；如何区分目标不可实现、局部调整不足与可以实现但训练缓慢？
研究对象
小型正导度电阻网络与弹性网络；固定元件数，改变可调位置、输入输出和任务组合，对照完整可实现集合、局部响应敏感性及实际训练。
为什么值得做
为后续泛化、遗忘和适应建立共同尺度。拟得到有条件的能力分界与反例，核局部秩判据能说明到哪一步，不把元件多或训练失败本身当结论。
待比较的机制
- 边界、正参数、稳定性或连接方式使目标本来不可实现
- 目标可实现，但可调参数对当前误差的响应相关或局部退化
- 局部方向足够，有限步长、松弛时间或参数范围仍限制训练速度
与父库的分界
专题第1篇。T14已讲局部对比更新、单输出线性推导和XOR表达限制；本题比较多任务可实现集合、参数布局与局部秩/全局可达性的分界。T77的优化几何只是背景，本题需保留Kirchhoff/力平衡、被动性及调参约束。父库PAC/泛化与有效理论作入口，不把局部响应秩升级为一般容量定理。
证据入口
- Microscopic Imprints of Learned Solutions in Tunable Networks
2025 · PRX15,031056，2025-08-27；已核作者机构AMOLF题录与摘要及发表全文入口，未下载或复算全文。关注调参敏感性与功能重要性，不把局部秩当一般容量定理。 · 摘要或题录入口已核
- Coercivity and Local Convergence of Physical Learning in Linear Circuits
2026 · 作者预印本，2026-06-13；会话已核摘要中的解存在、局部小扰动与秩条件。本库T14已用作理论入口，本题补核多任务/可实现集合，不重写其单输出推导。 · 摘要或题录入口已核
入口初筛 2026-10-09；课题尚未完成时，这些材料不代表已有研究结论。