相同的恢复速度，能告诉我们多少抗扰动能力？
小扰动的恢复速度、瞬态放大、稳定区域的形状与有限扰动的去向怎样关联；恢复速度相近的系统在什么条件下仍有不同的转变风险？
研究队列
从一个问题开始
8个待做课题
长期等待、短时转变：一次罕见跃迁的时间由什么决定？
等待时间、真正转变所用的时间和再穿越分别由什么过程决定；何时可用单一速率和指数等待分布，何时必须保留完整分布或事件间关联？
同样强的波动，为什么持续时间和方向会改变跃迁风险？
在明确定义并匹配噪声强度、摩擦与时间尺度后，相关时间、方向性和环境初态怎样改变越障概率及等待分布；哪些差别实际来自匹配条件改变？
许多变量里，哪些真正决定系统接下来会走向哪里？
哪些状态信息足以预测先进入B态区而非返回A态区的概率；只看平均量、结构指标或历史时会遗漏什么，增加变量能改善哪一段预测？
局部的一次转变，什么时候会扩散成整个系统的改变？
局部扰动的大小、空间耦合、边界和噪声相关尺度怎样决定恢复、局部持续或全局转变；等待成核和后续传播分别限制哪一段时间？
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？
转变之前，哪些变化能预警，哪些只是噪声变了？
恢复变慢、波动增大、时间不对称和转变概率各自预警什么；噪声变化、驱动、观测频率与有限窗口怎样影响提前量、漏报和误报？
有限预算的干预，应当阻止起跳、改变路径，还是帮助恢复？
在可操作位置、成本、观测误差和延迟明确时，降低起跳概率、改变转变路径和提高返回概率分别在哪些条件下有效；目标与预算变化会怎样改变策略比较？
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？
训练样本都做对了，为什么换一个输入就可能失败？
训练误差相近的物理网络，在未见输入与分布改变下为什么有不同表现；对称性、平滑性、采样覆盖与物理约束各贡献什么？
两个状态不能同时比较，材料怎样知道自己该往哪边改？
自由与目标约束响应先后出现时，局部记忆和反馈怎样形成有效参数更新；呈现顺序、等待和松弛时间改变后，纠错方向在什么条件下保持？
学会一个静态形状，和学会一段运动过程，差在哪里？
当任务约束完整时间响应时，刚度、质量、阻尼和初态分别决定哪些能力；局部伴随学习的梯度与可实施协议怎样验证？
没有匹配的课题