传感器线性混合下仍能还原本体：多项式算法划定热力学可识别边界

机器学习要学热力学状态方程，必须先发现测量通道代表什么：哪些量随系统尺寸标度，哪些是强度共轭，扇区如何经接触配对，哪个势函数管稳定性。传感器若只给出广延状态与强度响应的未知线性混合，被动观测无法把物理量从坐标伪影中拆开。这篇论文把问题写成：从匿名受控实验直接发现隐藏的热力学本体。

问题、算法与极限

作者提出操作可识别性理论，以及构造性多项式时间算法。算法从复制对比提取广延与强度标度扇区，从热接触与互易恢复对偶余切配对，用离散循环凹性验证全局可接受凹势，并确定储液器系综的不变拟阵。证明给出残余观测等价：严格地 (x, λ) ~ (A x, a A^{-T} λ + β)。作者称之为任何被允许实验都无法打破的尖锐观测极限。也就是说，在给定实验族下，本体只能识别到这一等价类，而不能更细。

盲评覆盖的对象

盲评对象是 van der Waals 流体与 Curie-Weiss 磁体。摘要称在病态混合下仍能稳健恢复，正确解析匿名 Maxwell 结线，同时拒绝非平衡延拓。外部验证使用 NIST WebBook 的六种真实流体，摘要写道操作本体发现可以迁移。材料在该句处截断，没有准确率、误差或失败案例，因此迁移的强度只能按摘要字面理解，不能补数字。

我的判断

这篇工作的价值在于把通道匿名、混合观测下的热力学结构发现，写成带极限的识别理论，而不是假设传感器已经对齐到内能、体积、物质的量或温度、压强。多项式构造把复制、接触、互易、凹性检验串成一条可执行链路，对物理 AI 里先对齐坐标系再拟合的问题有直接参考。适用边界同样清楚：需要受控实验，被动观测被明确排除；残余等价类意味着仿射与线性重参数化是实验无法切开的。局限来自材料本身：无定量指标、无计算开销数字、真实流体验证结论不完整。不宜把它读成已验证可部署的物性发现流水线，更适合作为科学机器学习里可识别性的一块硬结果。