真实元件有偏差、噪声和漂移，为什么有些网络仍能学，有些却越学越坏？

研究对象

有公开原始记录的模拟学习电路及其小型对照；核数据列与训练开关，分开固定偏置、随机噪声、存储漂移，再匹配任务和观察窗口比较。

为什么值得做

拟接回装置数据而非只在理想模型中讨论鲁棒性，解释精度下限、极限环或参数漂移的不同来源，检查补偿办法能否转移到未用于校准的条件。

待比较的机制

• 随机噪声降低信噪比，增加独立测量可在一定范围改善
• 确定性更新偏置持续驱动参数，即使任务已学会仍会漂移
• 学习关闭后的漏失、量化或器件变化限制保存，需与训练动力学分开校准

与父库的分界

专题第7篇。T14已概述噪声、失配、电容保存与资源，本题按真实实验记录区分误差来源并定量核补偿和保持。T33是生物记录漂移，T77是训练历史，本题不将它们与器件偏置视作同机制。父库信息代价提供背景；作者实验/理论与本库新增控制分开，2025数据归档和2026修订稿版本需核。

证据入口

1. Understanding and Embracing Imperfection in Physical Learning Networks

   2026 · 作者预印本v2，2026-03-17，初稿2025-05-28；核摘要中的装置实验、学习偏置、极限环/表征漂移和抑制方法。未取得完整v2方法或核发表版，不能将偏置等同全部随机噪声。 · 摘要或题录入口已核

2. Supporting code and experimental data for Understanding and embracing imperfection in physical learning networks

   2025 · 作者仓库README/目录已核，注明原始实验数据与Mathematica理论notebook；Zenodo15692914有2025-06-18 v1.0.1入口，直接访问失败。未下载数据或执行，须核与2026修订稿对应关系。 · 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。