无需受控实验的科学仿真器反事实预测

arXiv:2610.02252v1 公告类型：新 摘要：许多科学问题都需要对从未被观测到的情形进行推理：如果条件、干预或历史有所不同，会怎样？模型在观测数据上可以实现准确预测，但当相关输入被独立改变时，可能无法回答这类假设性问题。一种常见的补救方法是加入受控模拟数据，在其中明确 disentangle 这些因素，但这需要能够访问模拟器，计算成本可能很高，而且会继承模拟器的建模假设。我们提出 ReRoute，一种面向目标的科学假设性预测框架，将事实数据与部分机制知识相结合，而无需受控干预数据来进行适配。ReRoute 将预训练骨干模型中被查询的输入固定为一个参考值，通过已知的机制路径重新引入其变化，并在原始事实数据上进行微调，同时将下游效应交由学习到的动力学处理。我们在明确的结构假设下，为这一构造给出了因果识别结果，其核心论证已在 Lean 中完成机器检验。在一个可获得精确响应的受控平流-扩散系统中证明 ReRoute 能够实现高度准确的反事实预测后，我们进一步将其应用于最先进的气候仿真。在留出的耦合气候干预数据上，面对严重的 CO$_2$ 分布偏移，ReRoute 将总体气候误差降低了 18.2%–31.8%，同时在标准条件下保持预测能力；其成本仅为在额外受控模拟数据上重新训练的一小部分，且这还没有计入生成此类数据所需的高昂成本。最后，在一个基于历史 ERA5 再分析数据训练、且不存在反事实参考的仿真器上，对于固定 CO$_2$ 的反事实情形，ReRoute 在观测边界条件所暗示的地表变暖中保留了显著更多的部分。