综合项目 · 冷却后的温度能告诉我们最初哪里更热吗？

学习层：温度曲线变平了，丢失的细节还能找回来吗？

1. 先区分“曾经加热过”与“现在还在加热”

一根杆曾被加热，也可能有局部区域比周围更冷。到 \(t=0\) 时，我们停止加热，随后只让温度分布自行扩散。过了一段时间，16 个测点各读出一个数。我们要找的是 \(t=0\) 的温度分布，不是持续热源的位置或功率。

先把模型的每个条件说清楚：

把杆视为一维，意味着忽略横截面上的温差；本模型也忽略对流、辐射和持续内热源。在这些假设下，热方程是

它把局部形状与局部变化连起来：在一个光滑的温度峰顶，\(u_{xx}<0\)，所以 \(u_t<0\)，峰顶会降温；在谷底则相反。这里控制变化的是曲率，不是仅凭“这个点很热”作判断。两端被固定热浴维持温度，杆可以通过端点交换热量，因此不能要求整根杆的总热量始终不变。

单位先对一次账：左边是 \(\mathrm{K/s}\)，右边是 \((\mathrm{m^2/s})(\mathrm{K/m^2})=\mathrm{K/s}\)。如果实验中仍在加热，方程就需加入热源项；如果材料参数随位置变化，空间算子也要相应改变。本项目的逆推公式不能直接搬到那些模型中。

2. 一种温度形状为什么会按指数衰减？

先找一种在冷却时只改变高度、不改变形状的解，写成

代入热方程，在可除的位置分离变量：

左边只依赖时间，右边只依赖位置；要在整个区域相等，只能等于同一个常数。两端固定为零，非零的空间解满足

\(\mu=0\) 时，直线同时在两端为零，只能是零解；\(\mu<0\) 的指数型空间解也不能满足两个零端点而保持非零。因此非零模态取 \(\mu>0\)。先由左端条件留下正弦，再由右端条件限制波数：

时间部分于是只剩一阶方程：

记衰减因子为 \(s_k(t)\)，衰减时间尺度为 \(\tau_k\)：

\(k\) 越大，沿杆变化越密，代表越细的空间结构；其衰减率按 \(k^2\) 增长。例如第 6 模态的衰减率是第 1 模态的 36 倍。这个结论来自热方程的二阶空间导数，不是绘图程序刻意把细节擦掉。

线性方程允许把这些解相加。本项目只保留前 8 个正弦模态，连续温度曲线定义为

\(a_k\) 是初始模态系数，单位为 K。前面的无量纲系数用于下面 16 个测点的离散正交归一化；它不是要求正弦函数在连续区间上的积分范数等于 1。八模态是明确的建模限制：本实验没有声称用 16 个读数恢复任意精细的连续温度分布。

3. 从杆到读数：我们实际逆推的是哪一步？

先列出完整的数据链，避免把图上的曲线当成直接观测到的真相：

这里

噪声模型是每个测点独立的 \(\varepsilon_j\sim\mathcal N(0,\sigma^2)\)；\(\sigma\) 的单位也是 K。它是本模拟的传感器模型，不表示真实仪器的误差必定独立或服从高斯分布。

乘 \(Q^\top\)，把测点读数投影到模态坐标：

由于 \(Q\) 的列正交归一，投影后每个噪声分量的方差仍是 \(\sigma^2\)。无正则逆推逐项除以 \(s_k\)：

最后一项解释了问题：冷却时被压小的模态，逆推时也会把噪声放大。有限时间内这些 \(s_k\) 都大于零，所以在八模态、参数正确、无噪声且精确运算的条件下可以反解；读数中一旦有误差，“公式可逆”就不保证“恢复稳定”。

无脚本也能算的小例子。 单独构造 \(a_1=a_6=1\,\mathrm K\)、其余系数为零，并令 \(t=1\,\mathrm s\)、\(\sigma=0\)。这不是默认数据的某一条记录，只是代公式的练习：

分别除以各自的衰减因子都会还原 \(1\,\mathrm K\)。若两个模态读数恰好都多出同一个小误差 \(\delta\)，初态系数误差却分别成为 \(e^{0.01\pi^2}\delta\) 与 \(e^{0.36\pi^2}\delta\)；第 6 模态的误差放大明显更强。这里给定的 \(\delta\) 是用于比较的扰动，不是宣称每次随机噪声都相等。

4. 动手前先判断，再用三本账核对

先写下预测与理由：

1. 噪声幅度相同，晚一点测温，会让初态细节更容易恢复还是更困难？
2. 两个逆推结果都能贴近当前温度读数，是否就同样接近真实初态？
3. 再过 \(0.5\,\mathrm s\) 测一次，预测准确是否足以证明恢复了第 6 模态？

建议先选正确扩散率的平滑场景，固定一条测试轨迹，把噪声从零调到非零；再固定噪声改变观测时刻。切到高频场景，看看训练分布以外的第 6 模态会怎样影响判断。更换 \(t\) 或 \(\sigma\) 时，实验按固定种子重新生成各数据集并重新拟合学习滤波器；不能把不同设置中的方法读数误解成同一个已经冻结的估计器。

实验的 Tikhonov 惩罚是 \(\lambda\lVert a\rVert^2\)，约束系数大小，不直接惩罚空间导数。学习型方法只拟合 8 个逐模态线性系数，不是神经网络。数学入口解释滤波公式，AI 入口解释训练与验证规则；这里要抓住它们共同面对的物理限制：细尺度温度形状已被扩散压低。

5. 为什么另一次测温仍不能证明所有初态细节？

后续读数发生在 \(t+0.5\,\mathrm s\)，噪声与首次读数独立，并且从未交给逆推器拟合。这比只查看当前残差多了一项有用的检验，但它仍然经过同一个平滑过程。

设某次重建的第 \(k\) 模态初态误差为 \(\Delta a_k\)。它到后续读数中的影响只有

对较大的 \(k\)，即使 \(\Delta a_k\) 不小，乘上很小的 \(s_k\) 后也可能被新噪声掩盖。因此“未来温度预测很好”支持模型在这个观测尺度上的预测，不能直接证明初态的每一条细纹都恢复正确。即使模型和初态都完全正确，与含噪声的新读数比较时也会留下噪声误差。

在真实实验中，我们看不到隐藏的初态真值。若要验证初态细节，需要额外的独立物理证据，例如更早时刻的可靠测量，或事先受控且已知的初始条件；不能用同一份拟合数据反复作证。

6. 反例：扩散率写错，零残差也会认错初态

错误扩散率场景保持初态生成分布不变，但测试数据实际使用

所有估计器仍按后者计算衰减。先去掉噪声，只看无正则逆推的一项；令 \(\mu_k=(k\pi/L)^2\)：

真实材料衰减得更快，估计器却以为它衰减得较慢，于是把部分衰减误认成“最初就没有那么大的模态”。把这个错误初态代回假定模型，仍然正好得到当前的 \(b_k\)：当前残差可以为零，初态却不正确。

再过 \(\Delta t=0.5\,\mathrm s\)，从当前模态读数出发，两种预测分别是

对非零模态，假定模型的振幅衰减不足；独立后续读数有机会揭示这个不一致。不过细模态太小或噪声太强时，差异仍可能不易看见。这里推导的是无噪声、无正则情形，用来隔离模型错误；有正则或学习滤波时，还会叠加估计偏差。调大正则强度不能替代对材料参数和边界条件的检验。

多测几个时刻，能看见所有空间细节吗？

本项目预先把初态限制在前八个正弦模态内；这项假设很关键。暂时放宽它，考虑长度 \(L\) 的同一根棒，在任意解上增加

\(A\) 的单位是 K。这个函数满足热方程和两端零温差边界，但在所有原测点 \(x_j=jL/17\) 上，\(\sin(17\pi x_j/L)=\sin(j\pi)=0\)。因此不论何时测量，原来的 16 个传感器都完全看不见这项；即使没有噪声、无限次重复同一网格，也不能辨别 \(u\) 与 \(u+w\)。

在未测的位置 \(x=L/34\)，正弦恰为 1。取 \(A=1\) K、\(L=1\) m、\(\kappa=0.01\) m²/s，\(t=0.1\) s 时这里仍相差约 \(0.057711\) K，原网格上的差却严格为零。它与高频信号很小但非零、会放大噪声的情形不同：这里存在观测算子的精确核。

7. 独立迁移题：改变杆长，还是改变物理模型？

不用读取实验答案，分别给出公式与理由：

1. 换成 \(L=2\,\mathrm m\) 的杆，扩散率与模态编号 \(k\) 不变。若要达到原来 \(1\,\mathrm s\) 后相同的相对衰减，需要等多久？“相同编号”表示相同的相对空间形状，不是相同米制波长。
2. 初态只有第一正弦模态且 \(a_1<0\)，因此杆内部比热浴冷，即 \(u<0\)。没有持续热源时，这个负系数随时间会变得更负，还是趋近零？用时间因子回答。
3. 只在 \(t\) 时刻读取一个非零模态，既不知道其初态系数 \(a_k\)，又不知道 \(\kappa\)。无噪声能否唯一确定这两个未知量？如果再获得一个不同时间的精确读数，会增加什么信息？