知识卡片：ZENO——用 Zakai 方程神经算子做非线性滤波

一句话结论

ZENO 把非线性滤波中难以求解的 Zakai 随机偏微分方程（SPDE）交给神经算子，以物理信息损失逼近未归一化滤波分布，再嵌入 EM 框架完成隐状态推断与 SDE 参数学习，并在三个模拟系统和线虫全脑成像数据上做了验证。

事件概述或研究问题

论文聚焦科学机器学习中的核心计算：非线性滤波的状态推断与参数学习。未归一化滤波分布由 Zakai 方程支配，该 SPDE 将前向 Kolmogorov 算子（即 Fokker-Planck 方程）与观测似然更新结合。此类高维 SPDE 通常无法解析求解、数值上也不可行；作者利用算子学习与物理信息机器学习的进展，提出 Zakai Equation Neural Operator（ZENO），直接近似隐随机动力系统的精确未归一化滤波分布。

方法/产品要点

• ZENO 模型：优化一个神经算子，使其满足基于 Zakai 方程的物理信息损失，从而近似未归一化滤波分布。
• EM 框架：将 ZENO 推断的后验分布用于期望最大化（EM）框架，执行参数学习与状态推断。
• 对比基线：与已有的隐 SDE 推断与学习方法进行比较（具体基线名称待核实）。
• 验证对象：三个模拟随机动力系统——双井双稳态系统、Van der Pol（VDP）振子、Lorenz 系统；以及固定化秀丽隐杆线虫（C. elegans）的全脑成像数据集。

主要结果或产业意义

• 在三个模拟系统中，ZENO 能较准确地推断后验分布并学习相应的 SDE 参数（具体精度指标与对比数值待核实）。
• 在线虫全脑成像数据上，ZENO 复现了此前观察到的、代表前向与后向运动的极限环。
• 作者将 ZENO 定位为通过偏微分方程与算子理论视角处理非线性滤波与动力推断的新方法。

为什么重要

非线性滤波是工程与神经科学中状态估计和参数学习的共用计算问题。ZENO 的思路是把“解高维 SPDE”转化为“学一个满足该 SPDE 的算子”，为物理信息机器学习与滤波理论之间搭桥；其在线虫全脑数据上复现行为相关极限环，说明该方法有潜力用于真实神经科学数据的动力推断。与既有神经算子卡片相比，本条增量在于把神经算子用于随机偏微分方程（Zakai 方程）而非确定性 PDE 求解，并与 EM 参数学习流程结合。

局限与不确定性

• 摘要只说明在三个模拟系统和一套线虫数据上验证；更大规模、更高维系统上的可扩展性待核实。
• 与基线方法的具体性能差距、误差指标、计算成本未在摘要中给出，待核实。
• EM 框架的收敛性与对初值的敏感性待核实。
• 线虫实验的具体数据规模、预处理与统计显著性待核实。
• 论文发表于 arXiv（cs.LG，交叉 q-bio.NC），是否经过同行评审待核实。

可用于图书/PPT/简报的角度

• “用神经算子解 SPDE”：从确定性 PDE 求解扩展到随机滤波方程的方法论迁移。
• 物理信息损失 + EM：把后验推断与参数学习串成一条可微/可优化的流水线。
• 跨领域验证范式：从双井、VDP、Lorenz 等经典动力系统到真实神经科学成像数据。
• 算子理论学习与经典滤波理论（Zakai 方程、Fokker-Planck）的对话。

与既有脉络的关系

既有卡片分别涉及“无需方程的局部神经算子系统级分析”和“QuanONet 量子神经算子”；本条延续神经算子这一脉络，但对象是随机偏微分方程驱动的非线性滤波，并引入 EM 参数学习与神经科学数据验证，属于方法与应用场景上的增量。

原始材料

• 标题：ZENO: Nonlinear filtering with Zakai Equation Neural Operators
• 作者：Aaditya Prasad, Steven W. Flavell, Brian DePasquale
• arXiv ID：2610.32926v1（cs.LG；交叉 q-bio.NC）
• 发布/更新：2026-10-23T17:24:31Z
• 摘要页：https://arxiv.org/abs/2610.32926v1
• PDF：https://arxiv.org/pdf/2610.32926v1
• 关键词：Zakai equation；nonlinear filtering；neural operator；physics-informed machine learning；SPDE；EM；latent SDE；C. elegans