没有受控实验的科学模拟器中的反事实预测

arXiv:2610.02252v1 公告类型：新 摘要：许多科学问题需要对从未观察到的事物进行推理：如果条件、干预措施或历史不同怎么办？模型可以根据观察到的数据进行准确预测，但当相关输入独立变化时，模型会无法进行假设查询。常见的补救措施是添加受控模拟数据，其中这些因素被明确地分离，但这需要访问模拟器，计算成本可能很高，并且继承了模拟器的建模假设。我们引入了 ReRoute，这是一种有针对性的科学假设预测框架，它将事实数据与部分机械知识相结合，无需受控干预数据来进行适应。 ReRoute 将预训练主干的查询输入固定为参考值，通过已知的机械路径重新引入其变化，并对原始事实数据进行微调，同时将下游影响留给学习的动态。我们在明确的结构假设下为这种构造提供了因果识别结果，并在精益中对核心论点进行了机器检查。在证明 ReRoute 在可提供精确响应的受控平流扩散系统中实现高度准确的反事实预测后，我们转向最先进的气候仿真。在持续的耦合气候干预措施中，ReRoute 在严重的 CO$_2$ 分布变化下将总气候误差减少了 18.2-31.8%，同时保留了标准条件下的技能，而成本只是额外受控模拟再培训成本的一小部分，甚至没有考虑生成此类数据的大量费用。最后，在根据历史 ERA5 再分析训练的模拟器上，不存在反事实参考，ReRoute 保留了固定 CO$_2$ 反事实下观察到的边界条件所暗示的更多地表变暖。