训练样本都做对了，为什么换一个输入就可能失败？

研究对象

可复算的物理输入输出网络，必要时加小型自旋基准；训练范围内留出、范围外、输入相关性改变和图样局部翻转分别测试，冻结训练参数后读出。

为什么值得做

拟在同样训练表现下得到可检验的泛化分界，分开扰动恢复、插值与新关系测试。允许受检结构没有额外优势，避免把训练成功直接写成广泛适应。

待比较的机制

• 物理结构和对称性提供恰好适合任务的归纳偏置
• 好表现主要来自测试与训练样本近邻或低维覆盖
• 不同训练解对未约束方向响应不同，导致相同拟合与不同外推

与父库的分界

专题第2篇。T14仅核同一线性函数下网格测试，T77比较持续训练的可塑性；本题固定训练表现，比较测试分布与物理先验。父库泛化/归纳篇讨论解释边界，本题追踪具体输入输出与独立测试。热力学学习的夹持、耦合冻结、低温与极限次序须保留，其输入位翻转不称学会任意新规则。

证据入口

1. Thermodynamic learning

   2026 · 作者预印本v2，2026-09-10；核摘要及HTML中快慢变量、夹持/冻结、极限次序与泛化定义相关段。原测试含输入位翻转，不能直接等同新规则泛化；附件尚未取得，未计算。 · 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。